[論文レビュー] Building an Ellipsis-aware Chinese Dependency Treebank for Web Text

Xuancheng Ren, Xu Sun+4 more|arXiv (Cornell University)|Jan 20, 2018

Natural Language Processing Techniques被引用数 3

ひとこと要約

本稿は、ウェブテキストにおける省略を扱うために特別に設計された、中国語の依存木バンクの初のものである。主にウェイボーのマイクロブログを対象として、572文にわたる319件のウェイボー投稿において、省略された要素を回復させるとともに文脈情報を保持することで、口語的・口語的表現に近い言語の依存構文解析の向上を図るリソースを構築した。これは、ユーザー生成コンテンツにおけるNLPの主要な課題に対処するものである。

ABSTRACT

Web 2.0 has brought with it numerous user-produced data revealing one's thoughts, experiences, and knowledge, which are a great source for many tasks, such as information extraction, and knowledge base construction. However, the colloquial nature of the texts poses new challenges for current natural language processing techniques, which are more adapt to the formal form of the language. Ellipsis is a common linguistic phenomenon that some words are left out as they are understood from the context, especially in oral utterance, hindering the improvement of dependency parsing, which is of great importance for tasks relied on the meaning of the sentence. In order to promote research in this area, we are releasing a Chinese dependency treebank of 319 weibos, containing 572 sentences with omissions restored and contexts reserved.

研究の動機と目的

• 口語的・ユーザー生成のウェブテキスト、特に中国語のマイクロブログにおける省略の課題に対処すること。
• 構造的ギャップや孤立構造として扱うのではなく、省略された要素を明示的にモデル化することで、依存構文解析のパフォーマンスを向上させること。
• 文脈に配慮した高品質な木バンクを構築し、口語的中国語の構文的・意味的解析に関する研究を支援すること。
• 省略と代名詞省略・空カテゴリの区別を可能にするリソースを提供することで、より正確な言語的モデリングを可能にすること。
• Web 2.0テキスト向けに強力な構文解析フレームワークの開発を促進するため、復元された句構造を含むデータセットを提供すること。

提案手法

• 実際のユーザー投稿から、省略を含む319件のウェイボー投稿を収集した。
• 文脈的推論に基づき、省略された語（例：動詞、名詞句）を回復させ、構文的・意味的妥当性を保証した。
• 各文の周囲の元の文脈を保持することで、話法レベルの整合性を維持した。
• 正確な構文的関係を重視して、依存構文解析を用いて復元された文をアノテートした。
• 多様で非公式な構文に対して、省略の同定と回復における一貫性を確保するためのアノテーションガイドラインを設計した。
• 再現可能性および依存構文解析と省略の解消に関するさらなる研究を支援するため、GitHubを通じてデータセットを公開した。

実験結果

リサーチクエスチョン

• RQ1 口語的中国語のウェブテキストにおける省略は、どのように体系的に同定・回復され、依存構文解析の向上に寄与できるか？
• RQ2 中国語のマイクロブログにおける省略の最も一般的なタイプは何か？また、それらは構文的構造にどのように影響を与えるか？
• RQ3 省略された要素を回復させることで、省略をギャップや孤立構造として扱う場合と比較して、解析精度がどの程度向上するか？
• RQ4 口語的・口語的中国語において、文脈は省略の適切な回復にどのように影響するか？
• RQ5 省略を復元した専用の木バンクは、口語的テキストにおけるニューラル依存構文解析器の性能向上に寄与できるか？

主な発見

• 著者らは、319件のウェイボー投稿から得られた572文の中国語依存木バンクを、省略の回復と文脈の保持を伴って構築した。
• 本データセットは、中国語のウェブテキストにおける省略に特化した、類例のない最初のものである。一般の木バンクや省略を空カテゴリとして扱うものとは明確に区別される。
• 省略された要素の回復により、特に省略が広く見られる口語的・非公式な言語において、より正確な構文的・意味的解析が可能になる。
• 本木バンクは、現実世界の口語的言語現象を扱える依存構文解析器の訓練および評価の基盤を提供する。
• リソースは https://github.com/lancopku/Chinese-Dependency-Treebank-with-Ellipsis にて公開されており、非公式なテキストにおけるNLP研究を広く促進している。
• 本研究は、Universal Dependencies ような既存のアプローチの限界を浮き彫りにした。これらはしばしば省略を孤立関係や依存関係の昇格として扱うが、その結果、混乱をきたすか孤立した構造が生じる場合がある。