[論文レビュー] Sentence based semantic similarity measure for blog-posts

Mehwish Aziz, Muhammad Rafi|arXiv (Cornell University)|Jan 10, 2012

Sentiment Analysis and Opinion Mining参考文献 11被引用数 7

ひとこと要約

本論文は、ブログ投稿における短い、非形式的で文脈が乏しいコンテンツの課題に対処するため、ブログ投稿に特化した新しい文単位の意味的類似度測定法を提案する。語彙的、構文的、意味的特徴を重み付き統合手法で組み合わせることで、パキスタンのブログコミュニティにおける政治的ブログ投稿のクラスタリングおよびインフルエンサーの同定に優れた成果を上げ、このドメイン固有のタスクにおいて標準的な類似度測定法を上回った。

ABSTRACT

Blogs-Online digital diary like application on web 2.0 has opened new and easy way to voice opinion, thoughts, and like-dislike of every Internet user to the World. Blogosphere has no doubt the largest user-generated content repository full of knowledge. The potential of this knowledge is still to be explored. Knowledge discovery from this new genre is quite difficult and challenging as it is totally different from other popular genre of web-applications like World Wide Web (WWW). Blog-posts unlike web documents are small in size, thus lack in context and contain relaxed grammatical structures. Hence, standard text similarity measure fails to provide good results. In this paper, specialized requirements for comparing a pair of blog-posts is thoroughly investigated. Based on this we proposed a novel algorithm for sentence oriented semantic similarity measure of a pair of blog-posts. We applied this algorithm on a subset of political blogosphere of Pakistan, to cluster the blogs on different issues of political realm and to identify the influential bloggers.

研究の動機と目的

• 短く、非形式的で文脈が乏しいブログ投稿の分析において、標準的なテキスト類似度測定法の限界を克服すること。
• 政治的ブログコミュニティの独自の言語的・構造的特徴に適合したドメイン特化型の意味的類似度測定法を開発すること。
• 意味的類似度を用いて、政治的問題を中心にブログ投稿を効果的にクラスタリングすること。
• 意味的類似度のパターンに基づき、政治的ブログコミュニティ内のインフルエンサーを同定すること。

提案手法

• 本手法は、語彙的、構文的、意味的特徴を統合する文単位の意味的類似度測定法を採用する。
• WordNetを用いた意味的類似度を用いて、文のペア内の語の類義語関係および上位下位関係を計算する。
• 構文的類似度は、依存構文解析木を用いて文の構造を比較することで算出する。
• 語彙的重複は、TF-IDFで重み付けされた語の一致を用いて、語の重要度を考慮して測定する。
• 重み付き統合モデルは、語彙的、構文的、意味的類似度スコアを、実証的分析から得たドメイン固有の重みを用いて統合する。
• 最終的な類似度スコアは、ブログ投稿のクラスタリングおよび政治的議論におけるインフルエンサーの影響力順位付けに用いられる。

実験結果

リサーチクエスチョン

• RQ1 文脈が乏しい短い非形式的ブログ投稿において、意味的類似度をどのように効果的に測定できるか？
• RQ2 語彙的、構文的、意味的特徴のどの組み合わせが、政治的ブログコンテンツの類似度測定において最も正確な結果をもたらすか？
• RQ3 文単位の類似度測定法は、従来の手法と比較して、政治的問題に関するブログ投稿のクラスタリングを改善できるか？
• RQ4 意味的類似度を用いて、政治的ブログコミュニティにおけるインフルエンサーをどの程度まで効果的に同定できるか？

主な発見

• 提案された意味的類似度測定法は、政治的ブログコミュニティにおけるブログ投稿のクラスタリングというタスクにおいて、標準的な語彙的およびベクトル空間類似度手法を顕著に上回った。
• 構文的および意味的特徴の統合により、語彙的重複に依存する手法よりもクラスタリングの正確性が向上した。
• 本手法は、主要な政治的問題を効果的に同定し、テーマ的コンテンツの整合性が高い関連ブログ投稿をグループ化できた。
• 意味的類似度のパターンに基づき、高い接続性と意味的中心性を示すインフルエンサーが効果的に同定された。