[論文レビュー] Preliminary Report on the Structure of Croatian Linguistic Co-occurrence Networks

Domagoj Margan, Sanda Martinčić-Ipšić+1 more|arXiv (Cornell University)|May 17, 2014

Complex Network Analysis Techniques参考文献 8被引用数 12

ひとこと要約

本研究は、共起ウィンドウサイズ、コーパスサイズ、ストップワードの含む有無を変化させることで、クロアチア語の言語的共起ネットワークの構造的特性を調査した。ウィンドウサイズを拡大すると、直径と平均パス長が短縮され、クラスタリングが増加し、小世界特性が強化される傾向を示した。一方、ストップワードは強力なハブとして機能するが、パワー則のフィットを改善するため、ウィンドウサイズを拡大することでコーパスサイズの影響を緩和できる可能性がある。

ABSTRACT

In this article, we investigate the structure of Croatian linguistic co-occurrence networks. We examine the change of network structure properties by systematically varying the co-occurrence window sizes, the corpus sizes and removing stopwords. In a co-occurrence window of size $n$ we establish a link between the current word and $n-1$ subsequent words. The results point out that the increase of the co-occurrence window size is followed by a decrease in diameter, average path shortening and expectedly condensing the average clustering coefficient. The same can be noticed for the removal of the stopwords. Finally, since the size of texts is reflected in the network properties, our results suggest that the corpus influence can be reduced by increasing the co-occurrence window size.

研究の動機と目的

• 共起ウィンドウサイズ、コーパスサイズ、ストップワードの含む有無がクロアチア語の言語的ネットワークの構造に与える影響を調査すること。
• 直径、平均パス長、クラスタリング係数といったネットワーク指標がコーパスサイズや前処理の選択にどれほど感受されるかを評価すること。
• 共起ウィンドウサイズを拡大することで、ネットワーク特性に対するコーパスサイズの影響を軽減できるかを検証すること。
• ストップワードがネットワークトポロジーに果たす役割と、パワー則への度数分布のフィットに与える影響を特定すること。

提案手法

• 10冊のクロアチア語コーパスを用いて、30の言語的共起ネットワークを構築。コーパスサイズを3段階に分けた：C1（1冊）、C2（4冊）、C3（10冊）。
• ウィンドウサイズnを定義し、各単語を直後のn−1語とリンクさせることで、無向重み付きネットワークを形成。
• 主要なネットワーク指標を算出：直径（D）、平均パス長（L）、平均クラスタリング係数（C）、および次数分布。
• リンク重みをネットワーク内の最大重みで正規化し、重み付きクラスタリング係数を計算。
• スケールフリー特性の評価にパワー則フィッティングを適用し、最適なフィットを得るための最小次数閾値（x_min）を選定。
• ストップワードを含む・含まないのネットワークを比較し、トポロジーおよび分布特性への影響を評価。

実験結果

リサーチクエスチョン

• RQ1 共起ウィンドウサイズを拡大することで、クロアチア語の言語的共起ネットワークの直径、平均パス長、およびクラスタリング係数にどのような影響を与えるか？
• RQ2 コーパスサイズが直径やクラスタリング係数といったネットワーク構造的特性に及ぼす影響はどの程度か？
• RQ3 ストップワードの含む・含まないが、特にハブ形成やクラスタリングダイナミクスの観点からネットワークトポロジーに与える影響は何か？
• RQ4 ストップワードの含む有無が、次数分布のパワー則へのフィットに与える影響は何か？また、これはウィンドウサイズに依存するか？
• RQ5 共起ウィンドウサイズを拡大することで、ネットワーク指標のコーパスサイズへの感受性を軽減できるか？

主な発見

• 共起ウィンドウサイズをm₂からm₆に拡大すると、ネットワークの直径と平均パス長が顕著に短縮され、小世界特性が強化された。
• 大きなウィンドウサイズに伴い、平均クラスタリング係数が上昇し、局所的なネットワーク構造が凝縮されていることが示された。
• ストップワード（例：'i'（そして）、'je'（である）、'u'（に））が上位のハブとして顕在化し、m₆ネットワークでは度数が最大67,890に達した。
• ストップワードを含むネットワークは、含まないネットワークよりもパワー則へのフィットが良好（α ≈ 2.04–2.34）であり、ストップワードがスケールフリー特性を強化している可能性を示唆した。
• ストップワードを含む場合、コーパスサイズの増加に伴いクラスタリング係数が上昇したが、ストップワードを除外した場合、同様にコーパスサイズを増加させるとクラスタリング係数が低下した。これは、異なるダイナミクスを示している。
• 結果から、共起ウィンドウサイズを拡大することで、コーパスサイズの影響を効果的に軽減でき、ネットワーク特性の安定化に有効である可能性が示された。