[論文レビュー] Extracting Keyword for Disambiguating Name Based on the Overlap Principle

Mahyuddin K. M. Nasution|arXiv (Cornell University)|Jan 30, 2016

Advanced Text Analysis Techniques参考文献 9被引用数 5

ひとこと要約

本稿では、語彙的重複の原則を用い、Webスニペットと語彙的特徴の集合的積み合わせに基づく類似度測定を活用することで、名前の曖昧性解消のためのキーワード抽出手法を提案する。実世界のデータセット上でF-measure 0.36を達成し、重複に基づくキーワード選択が曖昧な名前の文脈における識別精度を向上させることを示している。

ABSTRACT

Name disambiguation has become one of the main themes in the Semantic Web agenda. The semantic web is an extension of the current Web in which information is not only given well-defined meaning, but also has many purposes that contain the ambiguous naturally or a lot of thing came with the overlap, mainly deals with the persons name. Therefore, we develop an approach to extract keywords from web snippet with utilizing the overlap principle, a concept to understand things with ambiguous, whereby features of person are generated for dealing with the variety of web, the web is steadily gaining ground in the semantic research.

研究の動機と目的

• 意味ウェブおよび情報検索の文脈における曖昧な人物名の識別を解決すること。
• 一義的でない意味や類義語の影響を受けても、人物の真のアイデンティティを反映するキーワードをWebスニペットから抽出すること。
• 語彙的特徴の集合的積み合わせを用いて、曖昧な名前と候補の参照対象との間で共有される特徴を特定する重複の原則を適用すること。
• 検索結果から得られる動的で文脈に依存するキーワードを活用することで、名前の曖昧性解消のパフォーマンスを向上させること。
• 実世界の人物名参照データセットを用いて、再現率、適合率、F-measureの標準指標で手法を評価すること。

提案手法

• 本手法は、曖昧な名前をWebスニペットの語彙的集合としてモデル化し、重複の原則を用いて候補名とその参照対象との間で共有される特徴を同定する。
• 重複の原則のための2つの条件を定義する：語彙的集合の共通部分が空でないこと、および正しい参照対象との重複度が誤ったものより高いこと。
• コルモゴロフ・コンプレックスの類似度測定を適用する：$sim(t_x,t_y) = \frac{\log(2|\Omega_x \cap \ […] 続きは省略（原文の翻訳を継続）... 以下、翻訳を継続：
• キーワードは検索クエリを用いてWebスニペットから抽出され、既知の参照対象特徴との重複度に基づいて候補語が順位付けされる。
• 類似度スコアを用いて、同じ人物を指す参照をクラスタリングし、クラスタの手動検証が行われる。
• 評価には標準指標（再現率、適合率、F-measure）が用いられ、各クラスタごとに計算され、すべての参照にわたって平均化される。

実験結果

リサーチクエスチョン

• RQ1 語彙的集合の重複に基づくキーワード抽出は、曖昧な名前のWebスニペットにどのように適用可能か？
• RQ2 語彙的集合の重複に基づくキーワード抽出は、名前の曖昧性解消パフォーマンスをどの程度向上させるか？
• RQ3 集合的積み合わせに基づく類似度測定は、正しいと誤った名前参照を効果的に区別できるか？
• RQ4 再現率と適合率は、曖昧性解消プロセスにおける異なるキーワードでどのように変動するか？
• RQ5 本手法は、実世界の名前曖昧性解消タスクにおいて、総合的にどの程度のF-measureを達成するか？

主な発見

• すべてのキーワードを組み合わせた場合、平均F-measureが0.36に達し、曖昧性解消における中程度の全体的パフォーマンスを示している。
• キーワード「science」では再現率が最も高く0.46であったが、適合率は低く0.10にとどまり、誤検出が多発していた。
• キーワード「computer」では適合率が最高の0.40を記録したが、再現率はわずか0.23にとどまり、適合率と再現率のトレードオフが顕著に現れた。
• キーワード「Malaysia」は再現率0.40、適合率0.20のバランスの取れた性能を示し、F-measureは0.27を記録した。
• すべてのキーワードを組み合わせた結果、最高の全体的F-measure 0.36を達成し、キーワードの統合が更げの識別精度を向上させることを示唆した。
• 本手法は、Webスニペットからの重複に基づくキーワード抽出が、特に複数のキーワードを統合した場合に、名前の曖昧性解消を効果的に支援できることを示している。