[論文レビュー] Product Review Summarization based on Facet Identification and Sentence Clustering

Duy Khang Ly, Kazunari Sugiyama+2 more|arXiv (Cornell University)|Oct 7, 2011

Sentiment Analysis and Opinion Mining参考文献 33被引用数 9

ひとこと要約

本稿では、構文的役割解析を統合することでフェイストベース要約を向上させ、階層的および非階層的クラスタリングを用いて文をサブトピックごとにグループ化する製品レビュー要約システムを提案する。この手法は、特にサブトピック数が多い状況において、ランダムクラスタリングを著しく上回り、明確な根拠を提示する感情認識型のより一貫性のある要約を可能にする。

ABSTRACT

Product review nowadays has become an important source of information, not only for customers to find opinions about products easily and share their reviews with peers, but also for product manufacturers to get feedback on their products. As the number of product reviews grows, it becomes difficult for users to search and utilize these resources in an efficient way. In this work, we build a product review summarization system that can automatically process a large collection of reviews and aggregate them to generate a concise summary. More importantly, the drawback of existing product summarization systems is that they cannot provide the underlying reasons to justify users' opinions. In our method, we solve this problem by applying clustering, prior to selecting representative candidates for summarization.

研究の動機と目的

• 既存の要約システムがユーザーの意見の裏付けとなる理由を提供できないという限界を是正することを目的とし、製品フェイスト内のサブトピックを同定すること。
• 最先端のフレームワークに構文的役割情報を統合することで、フェイスト同定の正確性を向上させること。
• 共通するサブトピックを持つ文をグループ化するクラスタリングベースの要約コンponentを開発し、より一貫性があり情報豊富な出力を得ること。
• 階層的および非階層的クラスタリング手法が、製品レビューにおけるサブトピックグループ化にどの程度有効であるかを評価すること。
• 複数の製品的要因およびサブトピックにわたる感情を反映する、より詳細で抽出型の要約を可能にすること。

提案手法

• システムはまず、構文的役割特徴を統合することで精度を向上させた手法を用いて製品フェイストを同定する。
• 次に、文の類似度を用いて階層的および非階層的クラスタリングを適用し、同じサブトピックを共有する文をグループ化する。
• クラスタリングプロセスは、最終的なクラスタ数を推定した決定的アルゴリズムに依存し、文間の意味的類似度に依存する。
• 各クラスタ内で感情極性を分析し、最終的な要約に意見の感情を保持する。
• クラスタリングを誘導するための文間類似度測定を用い、ランダムクラスタリングベースラインと比較して性能を評価する。
• 二段階アーキテクチャを採用する：(1) 構文的役割統合によるフェイスト同定、(2) サブトピッククラスタリングおよび要約生成。

実験結果

リサーチクエスチョン

• RQ1 構文的役割情報の統合は、レビュー要約における製品フェイスト同定の精度を向上させることができるか？
• RQ2 階層的および非階層的クラスタリング手法は、製品レビューにおける文のサブトピックグループ化にどの程度効果的か？
• RQ3 サブトピックレベルのクラスタリングは、フェイストレベルの要約のみに比べて、より一貫性があり情報豊富な要約をもたらすか？
• RQ4 サブトピック数が変化する際、提案手法のクラスタリング手法はランダムクラスタリングと比較してどの程度優れているか？
• RQ5 本システムがサブトピックごとの感情を捉える能力が、ユーザーにとっての要約の有用性をどの程度向上させるか？

主な発見

• 階層的および非階層的クラスタリング手法の両方が、評価されたすべての製品（Camera, Phone, DVD）においてランダムクラスタリングを著しく上回る。
• サブトピック数が多い場合（例：Cameraの$Lens$、Phoneの$Service$）、非階層的アプローチがより優れた性能を示す。これは、グローバル解にうまく収束するためである。
• サブトピック数が少ない場合（例：DVDの$Service$）、階層的アプローチはより一貫性のある性能を維持する。これは、より良いクラスタバランスを実現できるためである。
• サブトピック数が少ない場合、ランダム割り当てが正しいクラスタリングの確率が高くなるため、ランダムクラスタリングとの性能差が小さくなる。
• システムが推定するクラスタ数は、アノテートされたサブトピックに非常に近い。これは、意味的類似度が適切に測定されている場合に顕著である。
• 構文的役割特徴の統合により、フェイスト同定の精度が向上し、後続のサブトピッククラスタリングの基盤が強化された。