[論文レビュー] Automatically Identifying Morphological Relations in = Machine-Readable Dictionaries

Joseph Pentheroudakis, Lucy Vanderwende+1 more|ArXiv.org|Nov 8, 1994

Natural Language Processing Techniques参考文献 19被引用数 7

ひとこと要約

本稿では、意味的分析に基づいた意味定義の解析を用いて、機械可読辞書内の派生語の意味を基本語形にリンクすることで、自動的に派生語的語彙的関係を同定する手法を提示する。この手法は、意味的コンテンツに基づいてリンクの信頼性スコアを計算し、非標準的な形態の処理を負のスコアによるものとして強化することで、堅牢な処理を可能にする。さらに、自然言語処理（NLP）システムに統合可能な有向派生グラフを構築する。

ABSTRACT

We describe an automated method for identifying classes of morphologically related words in an on-line dictionary, and for linking individual senses in the derived form to one or more senses in the base form by means of morphological relation attributes. We also present an algorithm for computing a score reflecting the system=92s certainty in these derivational links; this computation relies on the content of semantic relations associated with each sense, which are extracted automatically by parsing each sense definition and subjecting the parse structure to automated semantic analysis. By processing the entire set of headwords in the dictionary in this fashion we create a large set of directed derivational graphs, which can then be accessed by other components in our broad-coverage NLP system. Spurious or unlikely derivations are not discarded, but are rather added to the dictionary and assigned a negative score; this allows the system to handle non-standard uses of these forms.

研究の動機と目的

• 機械可読辞書内の語の間の派生語的語彙的関係を自動的に同定すること。
• 語彙的関係属性を用いて、派生形の意味を基本語形の対応する意味にリンクすること。
• 意味定義の意味的コンテンツに基づいて、各派生リンクの信頼性スコアを計算すること。
• 信頼性の低いまたは不適切な派生形を負のスコアを割り当てることで保持することで、システムの堅牢性を向上させること。
• 広範なカバレッジを有するNLPシステムに利用可能な大規模な有向派生グラフを生成すること。

提案手法

• 辞書内の各意味定義を解析し、構文的および意味的構造を抽出する。
• 解析構造に自動的意味的分析を適用し、意味関係に関連する内容を抽出する。
• リンクされた意味の意味的類似性と整合性に基づいて、各派生リンクの信頼性スコアを計算する。
• 語彙的関係を有向エッジとして表現し、基本語形をソース、派生語形をターゲットとする。
• 不適切または不自然な派生形に対して負のスコアを割り当て、将来的なフィルタリングや分析のための保持を可能にする。
• 辞書全体を処理して、NLP統合に適した包括的な派生グラフのセットを構築する。

実験結果

リサーチクエスチョン

• RQ1 機械可読辞書内で、どのようにして派生語的語彙的関係を自動的に同定できるか？
• RQ2 意味定義に含まれる意味的コンテンツは、派生リンクの妥当性をどのように評価するか？
• RQ3 意味的分析を用いて、どのようにして派生リンクの信頼性を定量的に評価できるか？
• RQ4 非標準的または不適切な派生形は、破棄するのではなく、効果的に保持・スコアリングできるか？
• RQ5 自動的に生成された派生グラフは、広範なカバレッジを有するNLPシステムをどの程度サポートできるか？

主な発見

• 本システムは、意味定義の意味的分析を用いて、基本語形と派生語形の間の派生リンクを効果的に同定・スコアリングすることに成功した。
• 信頼性スコアは意味的コンテンツに基づいて計算され、妥当な派生形と不適切な派生形の区別が可能になった。
• 不適切または非標準的な派生形は負のスコアを割り当てて保持され、システムの堅牢性が向上した。
• 本手法は、広範なNLPアーキテクチャに統合可能な大規模な有向派生グラフのセットを生成した。
• 不規則的または非標準的な語形に対しても、低くはあるがゼロでない信頼性スコアを割り当てることで、処理が可能になった。
• 本手法は、辞書データからスケーラブルかつ自動的に語彙的関係を抽出する可能性を実証した。