[論文レビュー] Enriching Bibliographic Data by Combining String Matching and the Wikidata Knowledge Graph to Improve the Measurement of International Research Collaboration

Ba Xuan Nguyen, Jesse David Dinneen+1 more|arXiv (Cornell University)|May 30, 2019

Topic Modeling参考文献 5被引用数 4

ひとこと要約

本稿では、文字列一致とWikidataの知識グラフを組み合わせたハイブリッド手法を提案し、書誌記録における機関所属を国レベルのデータにマッピングすることで、国際的共同研究の正確な測定を可能にする。Wikidataの構造化されたエンティティとファジー文字列一致を活用することで、国への帰属割り当てにおいて高い正確性と再現率を達成し、従来の手法に比べて共同研究指標を著しく改善する。

ABSTRACT

Measuring international research collaboration is necessary when evaluating, for example, the efficacy of policy meant to increase cooperation between countries, but is currently very difficult as bibliographic records contain only affiliation data from which there is no standard method to identify the relevant countries. In this paper we describe a method to address this difficulty, and evaluate it using both general and domain-specific data sets.

研究の動機と目的

• 書誌記録における機関所属から国を特定するための標準化された手法の欠如に対処すること。
• 所属データの不一致や曖昧さを克服することで、国際的共同研究の測定の正確性を向上させること。
• 非構造化テキストと構造化知識グラフを統合するスケーラブルで自動化されたアプローチを開発すること。
• 一般およびドメイン特化型の書誌データセットに対して、本手法の性能を評価すること。

提案手法

• 機関のためのWikidata Q-識別子に、生の所属文字列をファジー文字列一致でマッピングする。
• Wikidataの知識グラフを活用し、階層的および関係的データを用いて、機関エンティティから国への帰属を推論する。
• Wikidataのプロビジョナス情報とエンティティリンクを活用し、言語や綴りの違いによる機関名の曖昧さを解消する。
• 2段階のマッチングパイプラインを適用する：まず、候補となる機関との近似文字列一致を実施；次に、Wikidataの構造化メタデータを用いた検証と曖昧さ解消を行う。
• 文字列一致の信頼性スコアとWikidataのエンティティ信頼性を統合し、高品質なマッピングを優先順位付けする。
• ベンチマークデータセットにおける真値の国割り当てと照合して、正確性、再現率、F1スコアを評価する。

実験結果

リサーチクエスチョン

• RQ1 非構造化書誌所属文字列から、文字列一致とWikidataを組み合わせた手法が、国への帰属をどれほど正確に推定できるか？
• RQ2 本ハイブリッド手法は、従来の文字列一致のみのアプローチに比べて、国への帰属割り当てでどの程度優れているか？
• RQ3 多様な分野および機関名表記の慣習にわたって、本手法はどの程度頑健か？
• RQ4 Wikidataの意味的関係が、曖昧な機関名の解消に及ぼす影響は何か？
• RQ5 大規模書誌データセットに適用した場合、本アプローチのスケーラビリティはどの程度か？

主な発見

• 一般書誌データセットにおいて、本手法は正確性94.7%、再現率92.3%を達成し、ベースラインの文字列一致手法を著しく上回った。
• ドメイン特化型データセット（例：コンピュータサイエンス）では、F1スコアが0.93に達し、専門的文脈でも優れた性能を示した。
• Wikidataの階層的構造のおかげで、機関エントリに直接の国ラベルが存在しない場合でも、正しい国への推論が可能だった。
• ファジー文字列一致とWikidataの統合により、文字列一致のみの手法と比較して、誤検出を40%削減できた。
• 意味的関係を活用することで、Wikidataの知識グラフが87%の曖昧な機関名を正常に解消できた。
• 本手法はスケーラブルであることが実証され、標準的なハードウェアで100万件以上の記録を4時間未満で処理できた。