[論文レビュー] Bootstrapping Lexical Choice via Multiple-Sequence Alignment

Regina Barzilay, Lillian Lee|ArXiv.org|May 25, 2002

Natural Language Processing Techniques参考文献 22被引用数 5

ひとこと要約

本稿では、バイオインフォマティクス分野の技術である複数配列アラインメント（MSA）を用いて、マルチ・パラレルコーパスから自動的に語彙選択マッピングを取得する、新しいブートストラapping手法を提案する。同じ意味的入力を複数の人が異なる表現で述べたものをアラインメントすることで、一貫した構造的対応関係を同定し、手作業で作成されたシステムと同等の可読性と忠実性を示す高品質なマッピング辞書を生成する。これは人的評価によって検証された。

ABSTRACT

An important component of any generation system is the mapping dictionary, a lexicon of elementary semantic expressions and corresponding natural language realizations. Typically, labor-intensive knowledge-based methods are used to construct the dictionary. We instead propose to acquire it automatically via a novel multiple-pass algorithm employing multiple-sequence alignment, a technique commonly used in bioinformatics. Crucially, our method leverages latent information contained in multi-parallel corpora -- datasets that supply several verbalizations of the corresponding semantics rather than just one. We used our techniques to generate natural language versions of computer-generated mathematical proofs, with good results on both a per-component and overall-output basis. For example, in evaluations involving a dozen human judges, our system produced output whose readability and faithfulness to the semantic input rivaled that of a traditional generation system.

研究の動機と目的

• 自然言語生成システム用にマッピング辞書を手作業で構築する作業の負担を軽減すること。
• 同じ意味的入力を複数の表現で含むマルチ・パラレルコーパスを活用し、語彙マッピングの正確性と表現力の向上を図ること。
• アノテーション付き学習データを必要としない、データ駆動型の意味から語彙へのマッピング学習手法を構築すること。
• MSAベースの手法が、従来の手作業によるシステムと同等の生成品質を達成できることを示すこと。
• 人間の知識工学の必要性を最小限に抑えることで、生成システムの新分野への容易な適応を可能にすること。

提案手法

• 本手法は、意味的入力を複数の人の表現と同時にアラインメントする複数配列アラインメント（MSA）を用いる。
• 共通の構造的特徴を捉えるラティス構造（「ソーセージグラフ」として呼ばれる）を構築し、引数-値の一致を強調する。
• アラインメントプロセスにより、個々の表現が構造的・内容的に異なる場合でも、意味的コンponentsと文語的フレーズの対応関係を同定する。
• 表現の集合を、潜在的な言語的ばらつきの源として扱い、個々の特異な表現によるノイズを低減する。
• 数学的証明のような形式的分野における複雑で非線形な対応関係に対処するため、新しいアラインメント手順の組み合わせを適用する。
• 得られたラティス構造を表面実現器の入力として用い、多様かつ忠実な自然言語出力を可能にする。

実験結果

リサーチクエスチョン

• RQ1 複数配列アラインメントは、アラインメントされていないマルチ・パラレルコーパスから意味的対語彙対応関係を効果的に回復できるか？
• RQ2 同じ意味的入力に対して複数の表現を活用することで、単一パラレルアプローチと比較して、学習された語彙マッピングの品質と頑健性が向上するか？
• RQ3 MSAベースの手法は、手作業によるシステムと同等またはそれ以上の可読性と忠実性を持つ生成出力を得られるか？
• RQ4 形式的分野において、引数の省略や言い換えといった言語的ばらつきに対し、このシステムはどの程度耐性を示すか？
• RQ5 この手法は、新分野のマッピング辞書構築に必要な人的作業をどの程度削減できるか？

主な発見

• 人的評価において、半数以上のjudgeが、半数以上の語彙の出力について、本システムの出力を従来の手作業システムよりも好むと評価した。
• 本システムの出力は、従来の生成システムと同等に可読性と意味的入力への忠実性が評価され、品質の差は有意ではなかった。
• 20件のすべての生成証明が分野の専門家によって正しく評価されたのに対し、従来システムでは20件中17件が正しかった。
• 複数配列アラインメントアプローチは、個々の表現が入力の一部を省略または言い換えている場合でも、意味的入力と表現との間の構造的対応関係を的確に同定できた。
• 言い換えや引数の省略といった言語的ばらつきに対しても、複数の表現から一貫したパターンを抽出することで、本手法は頑健性を示した。
• ブラックボックス型のIBMスタイルのアラインメントモデルの適用よりも本手法が優れていたことから、提案された複数ステップのアラインメント構成の必要性が示された。