[論文レビュー] Experiments in Clustering Homogeneous XML Documents to Validate an Existing Typology

Thierry Despeyroux, Yves Lechevallier+2 more|ArXiv.org|Jul 8, 2005

Semantic Web and Ontologies参考文献 10被引用数 5

ひとこと要約

本稿では、構造的特徴選択（例：「foundation」や「results」などのセクション）と言語的テキスト処理を組み合わせることで、同種のXMLドキュメントのハイブリッドクラスタリング手法を提案する。Inriaの2003年度活動報告書を用い、公式の専門家が定義したテーマと比較して、異なる特徴選択がクラスタリング結果に与える影響を評価する。その結果、『foundation』のような構造的セクションを用いることで、キーワードよりも顕著に高いクラスタリング性能が得られることを示している。

ABSTRACT

This paper presents some experiments in clustering homogeneous XMLdocuments to validate an existing classification or more generally anorganisational structure. Our approach integrates techniques for extracting knowledge from documents with unsupervised classification (clustering) of documents. We focus on the feature selection used for representing documents and its impact on the emerging classification. We mix the selection of structured features with fine textual selection based on syntactic characteristics.We illustrate and evaluate this approach with a collection of Inria activity reports for the year 2003. The objective is to cluster projects into larger groups (Themes), based on the keywords or different chapters of these activity reports. We then compare the results of clustering using different feature selections, with the official theme structure used by Inria.

研究の動機と目的

• 無教師クラスタリングを用いて、既存の組織的タイプ（Inriaの研究テーマ）を検証すること。
• 構造的特徴とテキスト的特徴の異なる選択がクラスタリング結果に与える影響を調査すること。
• 構造的要素の選択と言語的特徴抽出を組み合わせた手法の、XMLクラスタリングにおける有効性を評価すること。
• 外部評価指標を用いて、自動クラスタリング結果と2つの専門家が定義したテーマ構造（2003年および2004年）を比較すること。
• どのドキュメントセクションが研究分野を最もよく代表し、意味的なクラスタリングに最も寄与するかを特定すること。

提案手法

• 本手法は、メンバー文書の特徴の集合としてクラスタープロトタイプを構築する動的分類アルゴリズムを用いる。
• 特徴選択は2段階で実施する：粗いレベルでXML要素（例：'foundation'、'results'）を選択し、細かいレベルで文法的特徴に基づく語の選択を行う。
• テキストはDespeyroux (2004)のツールを用いて選択されたXML要素から抽出され、さらに正規化およびフィルタリング処理が施される。
• クラスタリングは、特徴の共起に基づいて反復的にクラスタ割り当てを最適化するプロトタイプベースのアルゴリズムを用いて実施される。
• 外部評価として、F-measureと補正済みランダム係数（corrected Rand index）を用い、自動クラスタと専門家が定義したテーマ（2003年および2004年）を比較する。
• 異なる特徴セットをテストする：キーワード、国際会議名、セクション本文（T-P）、および統合特徴（T-PF）、クラスタ数は4、5、9の異なる値を用いる。

実験結果

リサーチクエスチョン

• RQ1 XMLドキュメントのセクション（例：'foundation'、'results'）の選択が、キーワードのみを使用する場合と比較してクラスタリング品質に与える影響は何か？
• RQ2 構造的特徴選択は、XMLドキュメントにおける従来のbag-of-wordsアプローチよりもクラスタリング性能を向上させられるか？
• RQ3 外部妥当性の観点から、クラスタリング結果は公式の専門家が定義したテーマ（2003年および2004年）とどの程度一致するか？
• RQ4 国際会議名はクラスタリングにどのような役割を果たすのか？なぜ意味的関連性があるにもかかわらず、性能が低かったのか？
• RQ5 選択されたXML要素内のテキストに対する言語的処理は、クラスタの識別性および一貫性をどの程度向上させられるか？

主な発見

• 'foundation'セクションを用いたクラスタリング（T-PF-a）で、最高のF-measure（0.66）と補正済みランダム係数（0.32）が達成され、キーワードベースのクラスタリングを顕著に上回った。
• 'foundation'セクションを用いたクラスタリング（T-PF-a）は、F-measureが0.66、ランダム係数が0.32であり、専門家のテーマと強い一致を示した。
• キーワードベースのクラスタリング（K-F-a）では、F-measureが0.53、ランダム係数が0.14にとどまり、公式のテーマとの整合性が低かった。
• 国際会議名ベースのクラスタリングは性能が低く、F-measureは0.44～0.56、ランダム係数は0.15未満であった。これは、名前の不整合性や正規化の欠如によるものと推察される。
• すべての実験において、F-measureと補正済みランダム係数の間に一貫した相関関係が確認され、評価指標の信頼性が裏付けられた。
• 本研究では、構造的特徴選択（例：'foundation'や'results'セクション）が、この分野におけるキーワードベースの選択よりも、XMLドキュメントのクラスタリングに有効であることが示された。