[論文レビュー] Annotation graphs as a framework for multidimensional linguistic data analysis

Steven Bird, Mark Liberman|ArXiv.org|Jul 5, 1999

Natural Language Processing Techniques参考文献 5被引用数 50

ひとこと要約

本稿では、複数の話法的分析レベルにおける複雑で重複し、階層的な言語的アノテーションを表現するための形式的枠組みとして、ラベル付き非巡回有向グラフに基づくアノテーショングラフを提案する。アノテーションをタイプ、ラベル、およびオプションのクラスフィールドを持つ有向アークとして符号化することで、さまざまなフォーマット間での相互運用性を実現し、複数のアノテーションスキームの効率的な照合と照合を可能にするとともに、タグセットに関する事前の合意が不要な状態でツール、コーパス、理論的モデルの統合を促進する。

ABSTRACT

In recent work we have presented a formal framework for linguistic annotation based on labeled acyclic digraphs. These `annotation graphs' offer a simple yet powerful method for representing complex annotation structures incorporating hierarchy and overlap. Here, we motivate and illustrate our approach using discourse-level annotations of text and speech data drawn from the CALLHOME, COCONUT, MUC-7, DAMSL and TRAINS annotation schemes. With the help of domain specialists, we have constructed a hybrid multi-level annotation for a fragment of the Boston University Radio Speech Corpus which includes the following levels: segment, word, breath, ToBI, Tilt, Treebank, coreference and named entity. We show how annotation graphs can represent hybrid multi-level structures which derive from a diverse set of file formats. We also show how the approach facilitates substantive comparison of multiple annotations of a single signal based on different theoretical models. The discussion shows how annotation graphs open the door to wide-ranging integration of tools, formats and corpora.

研究の動機と目的

• スピークやテキストコーパスで使用される言語的アノテーションフォーマットの複雑化と多様性に対処すること。
• 話法的分析に一般的に見られる重複・階層的・クロスカット構造を表現できる形式的で汎用的な枠組みを提供すること。
• フォーマット標準化を要件とせず、異なる理論的モデルに基づくアノテーションの相互運用性と照合を可能にすること。
• 多様な研究コミュニティにわたる言語的アノテーションの長期的保守性、検索可能性、耐久性を高めること。
• すべてのシステム間で$n^2$回のフォーマット変換を必要としないようにするための普遍的相互言語（ユニバーサル・インタリンギア）の基盤を築くこと。

提案手法

• ノードが時間的ポイントまたは出来事であり、アークがタイプ、ラベル、およびオプションのクラスフィールドを持つラベル付き区間を表すラベル付き非巡回有向グラフ（アノテーショングラフ）として言語的アノテーションを表現する。
• アノテーショングラフを、$ r $ がフィールドレコード（タイプ、ラベル、クラス）である三重組 $ \<n_1, r, n_2\rangle $ の集合として形式的に定義する。ここで $ n_1 $ および $ n_2 $ は、時間に固定された非巡回有向グラフ内のノードである。
• 時間に固定されたノード（部分写像 $ \tau: N \rightharpoonup \mathbb{R} $ を介して）を用いることで、アノテーション間の先行関係、包含関係、重複検出などの時間的推論を可能にする。
• アークのべき集合をクエリ代数として活用し、部分グラフにおける積集合、和集合、補集合の操作を可能にすることで、複雑な検索と照合を実現する。
• 既存の多様なアノテーションフォーマット（例：CALLHOME、MUC-7、DAMSL、Treebank）をアノテーショングラフ形式にマッピングし、構造的および意味的差異を保持する。
• ボストン大学ラジオ音声コーパスのハイブリッドマルチレベルアノテーションを通じて、本フレームワークの実用的有効性を示す。このアノテーションには、セグメント、語、呼吸、ToBI、Tilt、Treebank、共参照、固有表現の各レベルが統合されている。

実験結果

リサーチクエスチョン

• RQ1 1つの形式的枠組みが、話法的データに見られる複雑で重複し、階層的なアノテーションの全範囲をどのように表現できるか？
• RQ2 アノテーショングラフは、異なる理論的モデルに基づく同じ信号の複数のアノテーションの照合をどの程度可能にするか？
• RQ3 アノテーショングラフは、フォーマット変換を各ペアのシステムに対して行う必要がなく、さまざまなアノテーションツールやファイルフォーマット間での相互運用性を実現する普遍的相互言語として機能できるか？
• RQ4 アノテーショングラフの形式的構造は、言語的データにおける時間的および階層的関係の効率的な照合、インデックス作成、分析をどのように支援するか？
• RQ5 アノテーショングラフは、話法的研究における異種のコーパスとツールの統合において、どのような実用的利点を提供するか？

主な発見

• アノテーショングラフフレームワークは、CALLHOME、COCONUT、MUC-7、DAMSL、TRAINSなど多様なソースから得られた複雑で多段階の言語的アノテーション（重複や非階層的構造を含む）を成功裏に表現できた。
• 本フレームワークにより、コアリファレンスや話法的機能といった異なる理論的モデルに基づく同じ信号の複数のアノテーションを、フォーマットの整列を要せず直接照合可能となった。
• アノテーショングラフにおけるアークのべき集合は、積集合、和集合、補集合の操作を通じて閉じたクエリ代数を形成し、効率的で表現力豊かな照合を可能にした。
• 時間に固定されたノードにより、先行関係、包含関係、重複などの時間的関係を体系的に計算可能となり、堅牢な時間的推論が可能になった。
• 本フレームワークは、異種のコーパスとツールの統合を可能にする普遍的相互言語として機能し、$n^2$回のフォーマット変換を$n$個のインターフェースに削減した。
• ボストン大学ラジオ音声コーパスのハイブリッドマルチレベルアノテーションが、本フレームワークを用いて成功裏に構築された。このアノテーションには、セグメント、語、呼吸、ToBI、Tilt、Treebank、共参照、固有表現の各レベルが統合されている。