[論文レビュー] Description of the Odin Event Extraction Framework and Rule Language

Marco A. Valenzuela-Escárcega, Gus Hahn-Powell+1 more|arXiv (Cornell University)|Sep 24, 2015

Natural Language Processing Techniques被引用数 5

ひとこと要約

この論文では、構文的依存関係パターンと表面的トークンパターンを組み合わせることで、頑健で効率的な情報抽出を実現する、ドメインに依存しないルールベースのイベント抽出フレームワーク「Odin」を紹介する。このフレームワークは、宣言的 YAML ベースのルール言語を用いて、複雑なイベントモデルの迅速な開発を可能にし、高精度かつ拡張性を備えたカスタム Scala アクションを介して、実世界の応用で1秒間に100件以上の文を処理する高速性を達成している。

ABSTRACT

This document describes the Odin framework, which is a domain-independent platform for developing rule-based event extraction models. Odin aims to be powerful (the rule language allows the modeling of complex syntactic structures) and robust (to recover from syntactic parsing errors, syntactic patterns can be freely mixed with surface, token-based patterns), while remaining simple (some domain grammars can be up and running in minutes), and fast (Odin processes over 100 sentences/second in a real-world domain with over 200 rules). Here we include a thorough definition of the Odin rule language, together with a description of the Odin API in the Scala language, which allows one to apply these rules to arbitrary texts.

研究の動機と目的

• ルールベースの情報抽出における標準的でアクセス可能な言語の欠如に対処すること。
• 最小限のセットアップ時間でドメイン固有のイベント抽出文法の迅速な開発を可能にすること。
• 構文的パターンと表面的パターンを組み合わせることで、パーサーのエラーに対しても頑健な性能を実現すること。
• 複雑なイベント構造と意味制約をサポートする、高性能で拡張性のあるフレームワークを提供すること。

提案手法

• Odin フレームワークは、依存関係およびトークンレベルのパターンを用いて、イベントトリガーと引数を定義する宣言的 YAML ベースのルール言語を使用する。
• ルールは名前付き引数、量詞、およびゼロ幅アサーションを用いて表現され、複雑な構文的および意味的制約をモデル化する。
• 部分品詞、語形素、固有表現、依存関係解析情報へのアクセスを可能にするために、NLP パイプライン（例：Stanford CoreNLP）と統合される。
• イベント抽出の高速化のため、検索空間を狭めるために、語彙的・屈折的トリガーを浅いフィルタとして使用する。
• コアフェレnce 解決や後処理などの複雑な現象を処理するため、ルールにカスタム Scala アクションをアタッチ可能である。
• Odin API を通じて、文法のプログラム的インスタンス化と、アノテート済みテキスト上の実行が可能であり、出力は構造化された JSON 形式で得られる。

実験結果

リサーチクエスチョン

• RQ1 どのような設計が、多様なドメインにわたり、強力でありながらも使いやすいルールベースのイベント抽出システムを実現するか？
• RQ2 パーサーのエラーが発生しても、どのようにして高いパフォーマンスと頑健性を達成できるか？
• RQ3 統一されたルール言語が、1つのフレームワーク内で表面的パターンと構文的パターンを両方サポートできるか？
• RQ4 トリガーに基づくフィルタリングが、実世界の応用における処理速度に与える影響は何か？
• RQ5 パフォーマンスや保守性を損なわずに、どのようにして拡張性を実現できるか？

主な発見

• 実世界のバイオメディカルドメインにおいて、211のルールから成る文法を用いて、標準的なラップトップで1秒間に100件以上の文を処理する。
• フレームワークは、再帰的イベントや同じ名前の複数の引数を含む複雑なイベント構造をサポートする。
• 表面的パターンと構文的パターンを混合することで、依存関係解析に失敗した場合でも、頑健な抽出が可能になる。
• 方向性演算子を用いた依存関係グラフ上の拡張正規表現を用いることで、強力なパターンマッチングが可能になる。
• 非自明な後処理タスクを処理するため、カスタム Scala アクションをルールシステムにスムーズに統合できる。
• 最小限の設定で数分でシステムを起動可能であり、迅速なプロトタイピングとドメイン移行を支援する。