[論文レビュー] Ontology-driven Information Extraction

Weronika T. Adrian, Nicola Leone+1 more|arXiv (Cornell University)|Dec 18, 2015

Semantic Web and Ontologies参考文献 8被引用数 6

ひとこと要約

本論文では、同種の非構造化文書（例：Europass形式の履歴書など）を、2段階の設計/実行アーキテクチャを用いて意味的に豊かな機械可読データに変換する、オントロジー駆動型情報抽出システムKnowRexを提示する。論理プログラミング、テーブル認識、意味的アノテーターを統合することで、構造化知識の抽出精度を高め、初期のテストデータで80%の成功率を達成するスキルベースの履歴書フィルタリングなどのタスクを可能にする。

ABSTRACT

Homogeneous unstructured data (HUD) are collections of unstructured documents that share common properties, such as similar layout, common file format, or common domain of values. Building on such properties, it would be desirable to automatically process HUD to access the main information through a semantic layer -- typically an ontology -- called semantic view. Hence, we propose an ontology-based approach for extracting semantically rich information from HUD, by integrating and extending recent technologies and results from the fields of classical information extraction, table recognition, ontologies, text annotation, and logic programming. Moreover, we design and implement a system, named KnowRex, that has been successfully applied to curriculum vitae in the Europass style to offer a semantic view of them, and be able, for example, to select those which exhibit required skills.

研究の動機と目的

• 機械にとって処理が難しいが人間には読みやすい同種の非構造化データ（HUD）—例えばPDF形式の履歴書—から意味的に意味のある情報を抽出する課題に対処すること。
• データの元の構造とは独立して、一様でオントロジーに基づく意味的ビューを提供するシステムを設計すること。
• 名前付きエンティティ認識、テーブル解析、論理プログラミング、オントロジーモデリングといった多様な技術を統合し、スケーラブルな情報抽出のための包括的かつ拡張可能なフレームワークを構築すること。
• 必須スキルに基づいた履歴書の意味的検索やフィルタリングといった実用的応用を可能にし、実世界の知識管理におけるシステムの有効性を実証すること。

提案手法

• システムは2段階のプロセスで動作する：設計段階ではユーザーが目的のオントロジースキーマ、オブジェクトモデル、意味的記述子を定義し、実行段階ではこれらの仕様に従って文書を処理する。
• 文書の構造は2次元グリッド分割ツール（例：Quablo）を用いて分析され、セルやトークンの位置を特定することで、テキストレイアウト上の空間的推論が可能になる。
• 意味的アノテーター（例：StanfordNER、DBpedia Spotlight）を適用して名前付きエンティティを同定し、その結果をOntoDLPに論理的事実として保存する。位置情報メタデータ（onePosition、biPosition）を含む。
• 意味的記述子は、有限オートマトンとしてモデル化された論理ルールとしてエンコードされ、ドキュメントのトークンおよびセル構造を走査してパターンを同定し、新たな意味的オブジェクトを生成する。
• マッピングルールにより、中間オブジェクトモデル（OntoDLP内）が目的の意味的ビューのオントロジーインスタンスに変換され、望ましいスキーマと整合するように保証される。
• パイプライン全体は形式論理によって駆動され、複雑な制約（例：「メールアドレスは同じセル内にラベルが続く必要がある」）をサポートする精度高く、トレーサブルで合成可能な抽出が可能になる。

実験結果

リサーチクエスチョン

• RQ1 同種の非構造化文書（例：Europass履歴書）から意味的に豊かな情報を統一的かつオントロジー駆動で抽出するアプローチをどのように設計できるか？
• RQ2 論理プログラミングと意味的記述子は、複雑な抽出パターンをモデル化しつつ、精度とモularityを維持できるか？
• RQ3 実世界のHUD処理における主なボトルネックは何か。ルールベースとサードパーティのアノテーターをハイブリッド統合することで、それらをどのように緩和できるか？
• RQ4 意味的および空間的制約のみを用いて、レイアウトが異なるPDFから構造化知識を高リ콜かつ高精度に抽出できるか？

主な発見

• KnowRexの設計段階は約2人週間を要し、実世界への展開においても実現可能であると示された。
• 初期設定で、2次元構造認識ツールQuabloは、テストされた80通のEuropass形式履歴書の約50％を正常に処理できた。
• マージン許容度の微調整などの軽微な設定変更を加えることで、追加の20％の文書についても満足のいく結果が得られた。
• 意味的アノテーターの精度は高く、一部のケースでリコールが低かったが、辞書ベースのアノテーターのチューニングにより補填可能であった。
• 意味的記述子用の論理ルールおよびマッピングルールは、精度の低下を伴わず、想定通りに機能し、オブジェクト生成とスキーママッピングの信頼性を示した。
• システムは十分なモularityと柔軟性を備えており、履歴書以外のさまざまなHUDシナリオへも容易に適応可能であり、異なる文書タイプや分野における再利用を支援できる。