[論文レビュー] Extracting Family Relationship Networks from Novels

Aibek Makazhanov, Denilson Barbosa+1 more|arXiv (Cornell University)|May 3, 2014

Topic Modeling参考文献 9被引用数 13

ひとこと要約

本稿では、語り手の特定と呼称語検出を組み合わせることで、文学的物語から家族関係ネットワークを抽出する新規手法を提示する。具体的には、明示的な家族関係を示す表現（例：「親愛なる母」）を同定し、その後に規則に基づく伝播処理を用いて暗黙の関係を推論する。清掃処理と伝播処理を経た後、F1スコアは42%に達し、初期の抽出結果と比較して顕著に向上した。これは、物語文書における言語的手がかりと関係推論を組み合わせることの有効性を示している。

ABSTRACT

We present an approach to the extraction of family relations from literary narrative, which incorporates a technique for utterance attribution proposed recently by Elson and McKeown (2010). In our work this technique is used in combination with the detection of vocatives - the explicit forms of address used by the characters in a novel. We take advantage of the fact that certain vocatives indicate family relations between speakers. The extracted relations are then propagated using a set of rules. We report the results of the application of our method to Jane Austen's Pride and Prejudice.

研究の動機と目的

• 一般向けのオープン情報抽出ツールでは見過ごされがちな、安定的かつ構造的な家族関係を文学的物語から抽出する課題に対処すること。
• 呼称語（例：「親愛なる姉」）などの言語的手がかりを活用することで、家族関係抽出の正確性と再現率を向上させること。
• 共有される名前や称賛語に基づいて、親子、兄弟、配偶者関係を含む関係を、規則に基づく伝播処理により暗黙の関係を推論することで関係抽出を強化すること。
• 実世界の物語的文脈における妥当性と限界を示すために、代表的な文学的テキスト『パーマーシャル・プライド』を用いて手法を評価すること。
• 主な誤り要因（特に語り手の誤特定と呼称語の意味的曖昧さ（例：「姉」が義姉を指す場合））を同定し、今後の研究のための解決策を提示すること。

提案手法

• 語り手の特定により、各発話文を特定のキャラクターに割り当て、その後続する関係抽出の基盤を構築する。
• 呼称語検出により、名辞的呼称（例：「私の親愛なる母」、「姉」）を含む発話を特定し、潜在的な家族関係の兆候を特定する。
• 呼称語を含む発話文から、初期関係（シード関係）を抽出する。例：「母、私はとても心配しています」は、発話者と聴取者間に「母」関係を示唆する。
• 手作業で作成した伝播規則のセットにより、シード関係から新たな関係を推論する。親子、兄弟、配偶者関係など、共通する名前や称賛語に基づく関係を含む。
• 誤った抽出（特に「姉」が義姉を意味するような意味的曖昧さに起因するもの）を除去するクリーニング処理により、正確性を100%まで向上させ、再現率への影響は最小限に抑える。
• 教師あり学習に類似したクリーニング処理と規則に基づく推論を組み合わせることで、再現率と正確性のバランスを図る。

実験結果

リサーチクエスチョン

• RQ1 物語の対話における呼称語表現は、登場人物間の家族関係を信頼性高く示唆できるか？
• RQ2 規則に基づく伝播処理は、正確性を損なわずに家族関係抽出の再現率をどの程度向上させ得るか？
• RQ3 語り手の特定の正確性が、物語文書における家族関係抽出全体のパフォーマンスにどのように影響するか？
• RQ4 文学的物語から家族関係を抽出する際の主な誤り要因は何か、特に呼称語の意味的曖昧さに起因するものか？
• RQ5 文脈的手がかり（例：周辺の対話）を活用することで、曖昧な呼称語を解消し、抽出の正確性を向上させられるか？

主な発見

• クリーニング処理と伝播処理を経た後、F1スコアは42%に達し、初期の抽出シードでの6%から顕著に向上した。
• 伝播処理により、抽出されたシードでは再現率が9倍、オラクルシードでは11倍に向上したが、正確性はわずかに低下した。
• 抽出されたシードのクリーニング処理により、正確性は100%にまで向上し、再現率への影響は最小限に抑えられ、伝播による誤りが効果的に排除された。
• 第3の称賛規則（共通する姓と称賛語（例：「ベネット夫人」と「ベネットさん」）から配偶者関係を推論する）が、ネットワークの断片的接続を統合する上で極めて重要であった。
• 誤り分析の結果、語り手の誤特定が再現率の低さの主な要因であり、リディアやメアリーのような登場人物では頻繁に誤特定が発生していた。
• 呼称語の意味的曖昧さ（例：「姉」が義姉を指す場合）が、唯一の誤った抽出要因であり、全データセット内で2件の誤りが同定された。