[論文レビュー] Automatic Extraction of Subcategorization from Corpora

Ted Briscoe, John M. Carroll|arXiv (Cornell University)|Feb 4, 1997

Natural Language Processing Techniques参考文献 20被引用数 14

ひとこと要約

この論文では、きめ細やかな確率的パーサーと統計的分類を用いて、生テキストコーパスから包括的なフレーム（160種類の異なるクラス）を自動で抽出する新規なシステムを提示している。この手法は、従来のシステムと同等の精度を達成するとともに、補助的頻度を捉えることができ、確率的文法に統合された際にはパーサー性能が顕著に向上する。

ABSTRACT

We describe a novel technique and implemented system for constructing a subcategorization dictionary from textual corpora. Each dictionary entry encodes the relative frequency of occurrence of a comprehensive set of subcategorization classes for English. An initial experiment, on a sample of 14 verbs which exhibit multiple complementation patterns, demonstrates that the technique achieves accuracy comparable to previous approaches, which are all limited to a highly restricted set of subcategorization classes. We also demonstrate that a subcategorization dictionary built with the system improves the accuracy of a parser by an appreciable amount.

研究の動機と目的

• 生テキストコーパスから包括的で頻度に敏感な補助的辞書を自動的に構築するための手法を開発すること。
• 手作業による語彙辞書作成の限界（誤りが入りやすく、人的負担が大きく、補助的頻度やドメイン差を捉えられないこと）を克服すること。
• 動詞の制御、変形、意味的好みを含めた、正確でスケーラブルな補助的情報の取得を可能とすること。
• 補助的頻度データが確率的パーサー枠組みにおける解析精度を向上させるかどうかを評価すること。

提案手法

• 1次マルコフ連鎖（HMM）品詞タガーラーを用いて、文内の語に品詞タグを割り当て、その順位を付ける。
• 語形正規化のため、拡張されたGATE ステミングツールを用いて、語-品詞ペアを語彙素-品詞ペアに置き換える。
• ツリー・バンクで学習された確率的LRパーサーを用いて、タグ付き入力からの文ラティスの順位付き浅い構文解析を生成する。
• パターンセット抽出モジュールは、ターゲット述語を中心にした部分解析から、構文的成分、その構文的カテゴリ、および主辞の語形を同定する。
• 特徴値と事前確率推定値に基づき、抽出されたパターンを160の事前に定義された補助的クラスのいずれかに分類する。
• 統計的フィルタリングを適用して、信頼性の低いまたは曖昧なパターンを除外し、分類の信頼性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 完全に自動化されたシステムは、生コーパスから160種類までの包括的な補助的クラスを、既存のシステムと同等の精度で抽出できるか？
• RQ2 個々の動詞について、異なる補助的パターンの相対頻度を信頼性高く推定できるか？
• RQ3 確率的パーサーに補助的頻度情報を組み込むことで、解析精度が顕著に向上するか？
• RQ4 制御、後置き、粒子移動といった複雑な現象を、補助的パターンとして適切に処理できるか？

主な発見

• 14の動詞について、補助的パターンの分類で平均81.4%の精度を達成した。160クラスという非常に大きなクラス数を考慮しても、従来のシステムと同等の性能であった。
• 個々の動詞について、補助的クラスの相対頻度を効果的に捉えることに成功し、確率的解析に活用可能となった。
• 小規模な実験により、補助的頻度データを確率的文法に統合した場合、解析精度が顕著に向上することが示された。
• 統計的フィルタリング機構が、最も弱い要因であることが判明し、誤検出を減らし、精度を向上させるための改良が求められる。
• 基本的な文法が目的語と付加語を区別していることから、名詞的・形容詞的述語に対しても拡張可能である。
• 類似したNLPツールが利用可能な他の言語に対しても、このアプローチを適用可能であるが、既存の辞書がなければ、事前に語彙統計を推定する必要がある。