[論文レビュー] Exploiting Sublanguage and Domain Characteristics in a Bootstrapping Approach to Lexicon and Ontology Creation

Dietmar Rösner, Manuela Kunze|ArXiv.org|Apr 23, 2003

Natural Language Processing Techniques参考文献 4被引用数 5

ひとこと要約

本稿では、特に解剖学的プロトコルにおける短縮表現スタイルと分野固有のパターンを活用することで、初期知識を最小限に抑え、語彙とオントロジーを自動で拡張するブートストラapping手法を提示する。形態素解析、句構造解析、共起クラスタリング、ヒューリスティックに基づく推論を組み合わせることで、小規模なコーパスにおいて文の37%を完全構造的に処理することができ、低リソース環境における分野特異的知識獲得の可能性を示している。

ABSTRACT

It is very costly to build up lexical resources and domain ontologies. Especially when confronted with a new application domain lexical gaps and a poor coverage of domain concepts are a problem for the successful exploitation of natural language document analysis systems that need and exploit such knowledge sources. In this paper we report about ongoing experiments with `bootstrapping techniques' for lexicon and ontology creation.

研究の動機と目的

• 新しい応用分野に導入する際の自然言語処理システムにおける語彙の空白と分野カバレッジの不足を解消すること。
• 広範な初期言語リソースを必要としない、スケーラブルでインタラクティブなワークベンチを、分野特異的知識獲得のためのものとして開発すること。
• 言語学的訓練を受けたことがない分野専門家が、XMLベースで拡張可能なツールを用いて知識抽出に貢献し、検証できることを可能にすること。
• 形態素解析、句構造解析、統計的クラスタリングを統合した堅牢なフレームワークを構築し、希少な分野固有のテキストから意味的および関係的構造を推論すること。

提案手法

• XDOCドキュメントスイート（モジュール型のXMLベースのワークベンチ）を用い、統合された前処理、品詞タグ付け、句構造解析、意味解析を伴うドイツ語解剖学的プロトコルを処理する。
• MORPHIX形態素解析器を用い、標準語彙にカバーされていないトークンの品詞タグを推定する。
• 形態素解析に失敗した場合に備え、格（格助詞）、語尾、語位置に基づくヒューリスティックルールを適用して未知トークンを分類する。
• 用語と関係の共起データをクラスタリングし、分野固有のパターン（例：「臓器 重量 X g」）を同定し、意味的関係を推論する。
• 文脈的解釈を用いて曖昧語（例：「Gewicht」を臓器固有の重量として解釈）を解消し、類義語（例：「Blase」と「Harnblase」が同一臓器を指す）を検出する。
• インタラクティブな検証を実装：システムが解釈を提示し、ユーザーが承認または拒否することで、段階的知識獲得を可能にする。

実験結果

リサーチクエスチョン

• RQ1 短縮表現の医療テキストに特有の句構造的および形態素的パターンは、どのようにして語彙およびオントロジー作成のブートストラップに活用できるか？
• RQ2 共起クラスタリングとヒューリスティック推論は、分野固有コーパスにおける語彙の空白をどの程度補填できるか？
• RQ3 本システムは、解剖学的プロトコルに一般的に見られる不完全または断片的な構造の処理において、どの程度効果的か？
• RQ4 文脈的および構造的手がかり（例：「Ruecken der Haut」のような名詞句）は、意味的関係および局在情報の推論にどの程度寄与するか？
• RQ5 ルールベースのヒューリスティックス、形態素解析、クラスタリングを統合したハイブリッドアプローチは、リソースが乏しい分野で信頼できる意味的解釈を導けるか？

主な発見

• 初期コーパスにおいて、システムは文および短縮表現の約37%を完全構造的処理（少なくとも1つの有効な句構造的読み）を達成した。
• MORPHIXによる形態素解析により、特に閉形式語や不規則形のトークンの大部分が正しく分類された。
• 格、大文字・小文字、語尾に基づくヒューリスティックルールにより、語彙にカバーされていないトークンの部分的分類が可能となり、システムの耐障害性が向上した。
• 共起クラスタリングにより、「臓器 重量 X g」のような分野固有のパターンが同定され、臓器の重量範囲（例：腎臓の135–270 g）といった数量的関係の推論が可能になった。
• 文脈的解釈は、特定の臓器を指す「Gewicht」のような一般的な語の曖昧性を解消する上で不可欠であり、正確な関係推論を可能にした。
• 小規模なコーパスであっても、共起および句構造的パターンの定性的な解釈が、意味的および関係的知識を有意義に得られることを示した。