[論文レビュー] Acquisition of morphological families and derivational series from a machine readable dictionary

Nabil Hathout|ArXiv.org|May 11, 2009

Natural Language Processing Techniques参考文献 40被引用数 13

ひとこと要約

本稿では、語素レベルの表現に依存せずに、機械可読語彙から語彙的系列と語彙的家族を特定する語ベースの形態素解析手法を提示する。形式的特徴と意味的特徴の二部グラフを用い、ランダムウォークを適用して活性を伝搬させ、類似関係を検出する。10文字以上の語では100%の正確性を達成し、両特徴タイプを組み合わせた場合1.5%の誤り率を示した。

ABSTRACT

The paper presents a linguistic and computational model aiming at making the morphological structure of the lexicon emerge from the formal and semantic regularities of the words it contains. The model is word-based. The proposed morphological structure consists of (1) binary relations that connect each headword with words that are morphologically related, and especially with the members of its morphological family and its derivational series, and of (2) the analogies that hold between the words. The model has been tested on the lexicon of French using the TLFi machine readable dictionary.

研究の動機と目的

• 語素レベルの解析を回避する語ベースの形態素計算フレームワークの構築を目的とする。
• 語の近傍語と形式的／意味的類似性のみを用いて、派生系列と語彙的家族を特定することを目的とする。
• 形態素規則や接尾語分割に依存せずに、形態的関係を類似構造としてモデル化することを目的とする。
• 語彙ベースの知識ベースを用いて、フランス語語彙における手法の性能を評価することを目的とする。
• 長語から形態的構造を段階的に抽出し、短語へと拡張可能かどうかの可能性を検討することを目的とする。

提案手法

• 語とその形式的特徴および意味的特徴を結ぶ二部グラフを構築する。
• グラフ全体にわたって活性を伝搬させるためにランダムウォークを用い、語の類縁関係を模倣する。
• 近傍語の間で類似四重項（例：A:B::C:D）を検出することで、語彙的家族と派生系列を特定する。
• 形式的特徴と意味的特徴をハイブリッド構成で統合し、正確性と再現率のバランスを取る。
• 形式的類似性と類似的一致性を用いて類似関係をフィルタリングし、TLFi語彙の見出し語を用いて検証する。
• 長語から出発するブートストラップ手法を適用し、短い語形へとネットワークを拡張する。

実験結果

リサーチクエスチョン

• RQ1 語素分割や接尾語ベースの規則に依存せずに、派生系列と語彙的家族を特定できるか？
• RQ2 形式的特徴と意味的特徴の組み合わせは、有効な形態的類似関係を検出するのにどの程度効果的か？
• RQ3 このフレームワークにおいて、語の長さは類似関係検出の正確性にどの程度影響を及ぼすか？
• RQ4 特徴に基づく語彙的グラフにおけるランダムウォークは、信頼性を持って形態的関係を回復できるか？
• RQ5 ブートストラッププロセスを用いて、長語から段階的に形態的構造を構築できるか？

主な発見

• 10文字以上の語では、類似関係検出に100%の正確性を達成し、誤りは一切なかった。
• 意味的＋形式的特徴のハイブリッド構成では130の類似関係が得られ、誤り率は1.5%にとどまり、純粋形式的（3.6%）および純粋意味的（0.0%）構成を上回った。
• 語の長さが短くなるほど収集された類似関係の数が減少し、4文字語では51.7%の誤り率を示した。
• 10文字以上の語では、すべての類似関係が正しく特定された。これは、強い形式的類似性が信頼できる検出を支えることを示している。
• 意味的特徴のみの構成では5つの類似関係しか得られなかったが、すべて正しく、正確性は高いが再現率が極めて低いことから、正確性とカバー範囲のトレードオフが顕著に現れた。
• 本手法は、派生的合成語を規則的な語彙的単位として正しく特定でき、複雑な語形の形成に対しても頑健であることが示された。