[論文レビュー] Improving Term Extraction with Terminological Resources

Sophie Aubin, Thierry Hamon|ArXiv.org|Sep 6, 2006

Biomedical Text Mining and Ontologies参考文献 8被引用数 5

ひとこと要約

本稿では、生物学的テキストにおける語彙抽出の精度を向上させるために、内部言語的ルールと外部用語資源（例：GO、MeSH、コーパス由来の語彙リスト）を組み合わせたチューナブルな語彙抽出手法YATEAを提案する。妥当な語彙を「信頼性の島」として用い、構文解析とフレーズ抽出をガイドすることで、再現率と正確性の両方を向上させ、46,315個の最大名詞句を、単独で用いる手法よりも高い信頼性で抽出した。

ABSTRACT

Studies of different term extractors on a corpus of the biomedical domain revealed decreasing performances when applied to highly technical texts. The difficulty or impossibility of customising them to new domains is an additional limitation. In this paper, we propose to use external terminologies to influence generic linguistic data in order to augment the quality of the extraction. The tool we implemented exploits testified terms at different steps of the process: chunking, parsing and extraction of term candidates. Experiments reported here show that, using this method, more term candidates can be acquired with a higher level of reliability. We further describe the extraction process involving endogenous disambiguation implemented in the term extractor YaTeA.

研究の動機と目的

• 既存の語彙抽出手法が、極めて技術的な生物学的テキストにおいて性能を発揮しない問題に対処すること。
• 誤った品詞タグ付けや曖昧な名詞句に起因する語彙抽出のノイズを低減すること。
• 外部用語資源を統合することで、語彙候補のカバレッジと信頼性を向上させること。
• 内部構文解析と外部の用語解釈を組み合わせたチューナブルなシステムを構築すること。
• 既存の用語資源を再利用した場合が、ドメイン特化コーパスにおける語彙抽出品質に与える影響を評価すること。

提案手法

• システムは品詞タグに基づいて、最大名詞句（MNPs）を同定するための形態素的・構文的フレーズ抽出を用いる。
• 外部リソース（例：GO、MeSH、TAC）からの既知の語彙を用いて、構文解析をガイド・制約する、新しい「信頼性の島」メカニズムを適用する。
• 解析には3つの方法を用いる：パターンベース、プログレッシブ、および語彙カバー（既知の語彙を用いた）解析で、語彙カバー法が最も高い信頼性を示した。
• 解析中に肯定的フィルタリングを実施し、無効な解析を後処理で除外する必要を減らす。
• 外部リソースを用いて品詞タグを補正し、語彙の変種を拡張することで、MNPの同定精度を向上させる。
• 最終出力は、外部リソースおよびコーパス自体からの語彙を統合した、コーパスにチューニングされた語彙候補リストである。

実験結果

リサーチクエスチョン

• RQ1 外部用語資源を統合することで、生物学的テキストにおける最大名詞句（MNPs）の同定にどのような影響を与えるか？
• RQ2 外部リソースは、語彙抽出における構文解析の信頼性をどの程度向上させるか？
• RQ3 内部言語的ルールと外部用語資源を組み合わせることで、語彙候補抽出におけるノイズ低減と正確性向上が達成できるか？
• RQ4 コーパス由来の語彙リストと一般用途の用語集（例：GO、MeSH）を比較した場合、語彙抽出の向上にどちらがより効果的か？
• RQ5 「信頼性の島」としての使用が、解析の正確性とカバレッジに与える影響は何か？

主な発見

• 用語資源の使用により、抽出された最大名詞句（MNPs）の数は、リソースなしの45,716からTACリソースを用いた46,315に増加し、解析の信頼性も向上した。
• TACリソース（コーパス由来語彙）は、GO+MeSHよりも顕著に貢献しており、複雑なMNPsのうち3,500個を処理したが、GO+MeSHは415,292個中わずか1,777個しか使用しなかった。
• 「語彙カバー」解析法が、特に短い語彙や語彙変種の解析において信頼性を最も高めた。これは、妥当な語彙をアンカーとして用いたためである。
• リソース統合により、より長く複雑なMNPsが生成され、単一語彙の数が減少した。これは、より良い構文的複雑さの検出が可能になったことを示している。
• 既知の語彙を「信頼性の島」として用いるシステムの解析メカニズムは、一般のプログレッシブ解析を上回り、後処理でのフィルタリングの必要性を低減した。
• 外部リソースと言語的ルールの組み合わせにより、再現率と正確性の両方が向上し、高品質な語彙候補リストが得られた。