[論文レビュー] Keyphrase Annotation with Graph Co-Ranking

Adrien Bougouin, Florian Boudin+1 more|arXiv (Cornell University)|Nov 7, 2016

Advanced Text Analysis Techniques参考文献 20被引用数 11

ひとこと要約

本稿では、ドキュメントトピックグラフと制御されたキーフレーズグラフを統合することで、キーフレーズ抽出と割り当てを同時に実行するグラフ共同ランク手法TopicCoRankを提案する。ドキュメントの内容とドメイン固有の語彙の相互強化を活用することで、人文科学および社会科学分野の3つのドメインにおいて、最先端の抽出および割り当て手法を統計的に上回る性能を達成する。

ABSTRACT

Keyphrase annotation is the task of identifying textual units that represent the main content of a document. Keyphrase annotation is either carried out by extracting the most important phrases from a document, keyphrase extraction, or by assigning entries from a controlled domain-specific vocabulary, keyphrase assignment. Assignment methods are generally more reliable. They provide better-formed keyphrases, as well as keyphrases that do not occur in the document. But they are often silent on the contrary of extraction methods that do not depend on manually built resources. This paper proposes a new method to perform both keyphrase extraction and keyphrase assignment in an integrated and mutual reinforcing manner. Experiments have been carried out on datasets covering different domains of humanities and social sciences. They show statistically significant improvements compared to both keyphrase extraction and keyphrase assignment state-of-the art methods.

研究の動機と目的

• 単独のキーフレーズ抽出および割り当て手法の限界を解消するため、両方のアプローチを統合する。
• キーフレーズの注釈において、コンテンツベースの抽出とドメイン知識を組み合わせる専門インデクサーを模倣する。
• 手動で構築された制御語彙に依存することを軽減しながら、キーフレーズの品質とカバレッジを向上させる。
• トレーニングデータの関係性を活用することで、文書に明示的に存在しないが意味的に関連する適切なキーフレーズの生成を可能にする。
• 二つの相互接続されたグラフ上で共同ランクを適用することで、抽出と割り当ての両方を向上させる統合フレームワークを開発する。

提案手法

• LDAから得られるトピック表現を用いてドキュメントグラフを構築し、ノードをトピックとし、エッジをトピックの共起性または類似度で表す。
• トレーニングデータ内のリファレンスキーフレーズから制御キーフレーズグラフを構築し、ノードをキーフレーズとし、エッジを共起性または意味的類似度で表す。
• トレーニングドキュメント内での共起に基づいて、トピックノードとキーフレーズノードを接続することで、二つのグラフを統合したネットワークを構築する。
• 減衰係数λを用いた変更済みランダムウォークを用いて、両方のグラフ上で重要度スコアを伝搬する共同ランクアルゴリズムを適用する。
• 統合されたランクスコアを用いて、トピックおよびキーフレーズの両コンponentから上位ノードを選択することで、最終的なキーフレーズを生成する。
• ハイパーパrameter λk を用いて、ドキュメント駆動の抽出とドメイン駆動の割り当てのバランスを制御する。

実験結果

リサーチクエスチョン

• RQ1 キーフレーズ抽出と割り当ての共同モデリングは、独立した手法を上回る性能を達成できるか？
• RQ2 ドメイン固有の制御キーフレーズを組み込むことで、抽出されたキーフレーズの品質とカバレッジにどのような影響を与えるか？
• RQ3 キーフレーズ間のトレーニングデータの関係性は、手動で構築された制御語彙にどの程度置き換え可能か？
• RQ4 共同ランクフレームワークにおいて、ドキュメントコンテンツとドメイン知識の最適なバランスは何か？
• RQ5 共同ランクは、文書に明示的に記載されていないが意味的に関連するキーフレーズを効果的に検出できるか？

主な発見

• TopicCoRankは、言語学、情報科学、考古学という3つのドメインにおいて、最先端のキーフレーズ抽出（TopicRank）および割り当て（KEA++）手法をすべて顕著に上回る。
• 言語学データセットでは、最適なλk設定下でF1スコア60.1%を達成し、TopicRank（45.3%）およびKEA++（54.2%）を上回った。
• 制御キーフレーズグラフ内の意味的リンクを活用することで、文書に存在しないキーフレーズ（例：'French'、'syntax'、'distributional analysis'）を効果的に検出できた。
• アブレーションスタディの結果、λkは抽出と割り当てのトレードオフを制御していることが示された：λk = 0の場合、性能はTopicRankと一致する。λk = 1の場合、性能はドメイン内で最も頻出するキーフレーズに収束する。
• 定性的分析により、TopicCoRankは直接共起しないにもかかわらず、トピック伝搬により'verb' や 'semantic interpretation' といった関連キーフレーズを正しく特定していることが確認された。
• 共同ランクメカニズムにより、相互強化が実現された：トピックはキーフレーズから重要度を獲得し、キーフレーズはトピックの文脈から関連性を得ることで、全体の再現率と正確率が向上した。