[論文レビュー] Mesure de la similarité entre termes et labels de concepts ontologiques

Van Tien Nguyen, Christian Sallaberry+1 more|arXiv (Cornell University)|Jul 24, 2013

Data Management and Algorithms参考文献 16被引用数 4

ひとこと要約

本論文では、語彙的ラベルと用語間の類似度測定を向上させるために、トークンレベルおよび文字列レベルで2つの文字ベースの文字列類似度測定法（Jaro-Winkler）を組み合わせたハイブリッド文字列類似度メトリック、Liuppa(i,j)を提案する。これは、語順が重要となる状況でも優れた性能を発揮し、Cohenデータセットで3位の順位を達成しており、特に『chemin de fer touristique』といった用語を『voie ferrée touristique』のようなオントロジーのラベルにマッチングさせることで、地理的情報抽出における正確な地理的エンティティタイプ分類を可能にする。

ABSTRACT

We propose in this paper a method for measuring the similarity between ontological concepts and terms. Our metric can take into account not only the common words of two strings to compare but also other features such as the position of the words in these strings, or the number of deletion, insertion or replacement of words required for the construction of one of the two strings from each other. The proposed method was then used to determine the ontological concepts which are equivalent to the terms that qualify toponymes. It aims to find the topographical type of the toponyme.

研究の動機と目的

• 地理的情報抽出の文脈において、オントロジーのラベルと自然言語用語の間の類似度を測定する強固な手法を開発すること。
• 語順が意味に著しく影響を与える複数語ラベルとのマッチングという課題に対処すること。
• オントロジーに基づく地理的エンティティタイプ分類パイプラインにハイブリッド類似度メトリックを統合すること。
• 代表的なトレーニングサンプルを用いて、類似度メトリックの自動パラメータチューニングを可能にすること。
• 構造的アライメントの前段階である、初期のラベルベースの比較フェーズを強化することで、オントロジーのマッチングワークフローを支援すること。

提案手法

• 本手法は、Liuppa(i,j)と呼ばれるメタメトリックフレームワークを採用し、2つのレベル（トークンレベルおよび文字列レベル）で2つの基本的な文字列メトリック（i と j）を組み合わせる。
• 類似度は、最初のメトリック（例：Jaro-Winkler）を個々のトークンに適用し、2番目のメトリック（例：Jaro-Winkler）を完全な文字列シーケンスに適用した後、その結果を統合することで計算される。
• 本アプローチは、語順、共通トークン、および文字列間の編集操作（挿入、削除、置換）を考慮する。
• パラメータチューニングフェーズでは、代表的なサンプルを用いて、最適なメトリックの組み合わせとしきい値（ε = 0.84）を選択し、最高の性能を得る。
• 最終的なメトリックは、旅行ナラティブから抽出された用語と地理的オントロジーのラベルをマッチングさせ、エンティティタイプ分類に適用される。
• 本手法は、2つのデータセットを用いて評価された：独自に構築した地理的用語-ラベルデータセットと、レコードリンク用のCohenデータセット。

実験結果

リサーチクエスチョン

• RQ1 語順が意味的に重要となる状況において、複数語の用語とオントロジーのラベル間の文字列類似度をどのように改善できるか？
• RQ2 異なる抽象レベル（トークン対文字列）における文字列メトリックの組み合わせの中で、用語をオントロジーのラベルにマッチングさせる際に最も高い正確性を達成するのはどれか？
• RQ3 代表的なトレーニングサンプルを用いて、ハイブリッド類似度メトリックを自動的にパrameter化できるか？ これは、異なるデータセットにわたる強力な一般化を可能にするか？
• RQ4 標準ベンチマークデータセットにおける既存の文字列メトリックと比較して、本手法の性能はどの程度か？
• RQ5 この類似度メトリックは、自然言語文書における地理的エンティティタイプ分類の正確性をどの程度向上させられるか？

主な発見

• Liuppa(Jaro-Winkler, Jaro-Winkler)メトリックでε = 0.84を設定した場合、独自に構築した地理的用語-ラベルデータセットにおいて、評価された14のメトリックの中で最高の性能を達成した。
• Cohenデータセットにおけるレコードリンクタスクにおいて、15のメトリックの中で3位にランクされた。これは、語順が重要な状況では、多くの標準的手法を上回る性能を示した。
• ハイブリッドアプローチにより、『chemin de fer touristique』や『voie ferrée touristique』のような用語の類似度測定が著しく向上し、正しい地理的エンティティタイプ分類が可能になった。
• 最適なパrameterセット（メトリックペアとしきい値）が代表的なサンプルから自動的に特定可能であるという点で、本手法は高い適応性を示した。
• 本手法は、実世界の地理的情報抽出において効果的であり、旅行ナラティブからの用語を『voie de communication』のような適切なオントロジー概念に正しくリンクできた。
• メタメトリックフレームワークであるLiuppa(i,j)は、汎用的であり、データベースのレコードリンクを含む、他のオントロジーに基づく用語マッチングを必要とする分野への応用も可能である。