[論文レビュー] PRIME: A System for Multi-lingual Patent Retrieval

Shigeto Higuchi, Masatoshi Fukui+2 more|ArXiv.org|Jun 24, 2002

Biomedical Text Mining and Ontologies参考文献 20被引用数 6

ひとこと要約

PRIMEは、日本語および英語のユーザーが単言語のクエリを用いて双方向の特許データベースを検索できる多言語特許検索システムである。クエリをターゲット言語に翻訳し、関連する多言語特許を検索し、クラスタリングと文書翻訳によるブラウジングの改善を図り、特許家族からフレーズレベルの翻訳を抽出することで翻訳辞書を拡張する。重み付きDice係数を用いた共起スコアリングにより、スコア閾値5.0で67.4%の正確性を達成した。

ABSTRACT

Given the growing number of patents filed in multiple countries, users are interested in retrieving patents across languages. We propose a multi-lingual patent retrieval system, which translates a user query into the target language, searches a multilingual database for patents relevant to the query, and improves the browsing efficiency by way of machine translation and clustering. Our system also extracts new translations from patent families consisting of comparable patents, to enhance the translation dictionary.

研究の動機と目的

• ユーザーが外国語の特許データベースを検索する際に直面する言語間特許検索の課題に対処すること。
• 単一言語のクエリに対して、複数言語の関連特許を同時に検索するシステムの開発。
• 取得結果の機械翻訳と文書クラスタリングによる、多言語特許検索結果のブラウジング効率の向上。
• 双方向特許家族からフレーズベースの翻訳を自動抽出することで、翻訳辞書を拡張すること。
• 同等の特許ペairから翻訳を抽出する半自動手法の正確性と費用対効果を評価すること。

提案手法

• システムは、二国語辞書と確率的意味のあいまいさ解消を用いてクエリをターゲット言語に翻訳するクエリ翻訳モジュールを採用し、技術用語の語順を保持する。
• 文書検索モジュールは、元のクエリと翻訳されたクエリの両方を用いて、日本語または英語のいずれかの言語で関連文書を検索する双方向特許コレクションを検索する。
• 文書翻訳モジュールは、ユーザーの言語に翻訳されていない文書のみを翻訳し、可読性を支援する。
• クラスタリングモジュールは、取得した文書をテーマごとにクラスタに分けることで、ブラウジング効率を向上させる。
• オフライン翻訳抽出モジュールは、特許家族のタイトルおよび要約フィールドから日本語-英語のフレーズペアを、語彙解析と品詞ルールを用いて特定する。
• システムは、重み付きDice係数を用いて関連スコアを計算する：$\text{score}(W_j,W_e) = \log F_{je} \cdot \frac{2F_{je}}{F_j + F_e}$、これにより高信頼度の翻訳を順位付け・選択する。

実験結果

リサーチクエスチョン

• RQ1 単一言語のクエリを用いて、日本語と英語の間で関連する特許を効果的に検索できる多言語特許検索システムは実現可能か？
• RQ2 文書クラスタリングと機械翻訳は、多言語特許検索結果のブラウジング効率をどのように向上させるか？
• RQ3 特許家族を活用して、高品質なフレーズレベルの翻訳を自動抽出し、翻訳辞書を改善できるか？
• RQ4 スコア閾値を用いた特許家族からの翻訳抽出において、正確性と再現率のトレードオフはどのようなものか？
• RQ5 半自動手法は、特許検索用の二国語語彙の構築にかかる人的作業をどの程度削減できるか？

主な発見

• システムは単一言語のクエリに対して多言語特許を効果的に検索し、ユーザーが母国語で関連文書にアクセスできる。
• クラスタリングと文書翻訳の活用により、取得結果の使いやすさとブラウジング効率が顕著に向上した。
• 翻訳抽出手法により、32,000件の特許家族から37,669件の候補翻訳が得られ、手動評価の結果、5,879件が正しいと判定された。
• スコア閾値5.0で67.4%の正確性を達成し、高スコア翻訳の精度が非常に高いことが示された。
• 37,669件の翻訳を評価するためにわずか4人日で済んだため、語彙拡張のための低コストでスケーラブルなアプローチであることが示された。
• 重み付きDice係数は、低頻度でノイズの多い共起を効果的にフィルタリングし、抽出精度を向上させた。