[論文レビュー] Studying the Wikipedia Hyperlink Graph for Relatedness and Disambiguation

Eneko Agirre, Ander Barrena+1 more|arXiv (Cornell University)|Mar 5, 2015

Wikis in Education and CollaborationSocial Sciences参考文献 40被引用数 19

ひとこと要約

本稿では、語の類似度および固有表現の意味あいまい除去のため、直接リンクに代えて、完全なWikipediaハイパーリンクグラフを、パーソナライズドPageRankランダムウォークを介して使用することを提案する。グラフ全体を走査することで、直接リンク手法に比べて顕著な性能向上が示され、非対称リンクは性能を低下させ、カテゴリーやインフォボックスのリンクはほとんど寄与しない。この手法は、Wikipediaリンクに基づくシステムにおいて、新たなSOTA（最先端）を樹立し、複数の情報源や教師あり手法を用いるものと同等またはそれを上回る性能を達成する。

ABSTRACT

Hyperlinks and other relations in Wikipedia are a extraordinary resource which is still not fully understood. In this paper we study the different types of links in Wikipedia, and contrast the use of the full graph with respect to just direct links. We apply a well-known random walk algorithm on two tasks, word relatedness and named-entity disambiguation. We show that using the full graph is more effective than just direct links by a large margin, that non-reciprocal links harm performance, and that there is no benefit from categories and infoboxes, with coherent results on both tasks. We set new state-of-the-art figures for systems based on Wikipedia links, comparable to systems exploiting several information sources and/or supervised machine learning. Our approach is open source, with instruction to reproduce results, and amenable to be integrated with complementary text-based methods.

研究の動機と目的

• Wikipediaにおける完全なハイパーリンクグラフと直接リンクの有効性を、意味的タスクにおいて評価すること。
• 非対称リンク、カテゴリ、インフォボックスなど、異なるリンクソースが性能に与える影響を分析すること。
• 関連度と意味あいまい除去の分野におけるWikipediaベースのランダムウォーク手法の明確で再現可能なベンチマークを確立すること。
• 外部知識源や教師あり学習を一切用いずに、Wikipediaハイパーリンクのみで最先端の性能を達成すること。
• 結果の完全な再現性を確保するため、オープンソースのツールと手順を提供すること。

提案手法

• 著者らは、WikipediaハイパーリンクグラフにパーソナライズドPageRankを適用し、意味的類似度および意味あいまい除去スコアを計算する。
• 一貫したランダムウォークフレームワークを用いて、全パス（すべての到達可能な経路）を含むグラフと直接ハイパーリンクのみの対比を行う。
• 相互リンク対比、非相互リンク、カテゴリーリンク、インフォボックスリンクを含む、複数のグラフバリアントを評価する。
• 公平な比較を保証するため、すべての実験で同一の、よく確立されたアルゴリズム（パーソナライズドPageRank）を用いる。
• 意味的類似度および固有表現の意味あいまい除去のための多様で標準的なデータセットを用いて、結果を検証する。
• 再現性を確保するため、完全なドキュメンテーションを備えたオープンソース化されたシステムを提供する。

実験結果

リサーチクエスチョン

• RQ1 Wikipediaにおける完全なハイパーリンクグラフを用いることで、意味的タスクにおいて直接ハイパーリンクのみを用いる場合に比べて性能が向上するか？
• RQ2 相互リンク、非相互リンク、カテゴリーベースリンク、インフォボックスリンクといった、異なる種類のリンクがランダムウォークベース手法の性能に与える影響は何か？
• RQ3 Wikipediaのカテゴリ構造とインフォボックスの相対的寄与度は、関連度と意味あいまい除去タスクにおいてどの程度か？
• RQ4 外部知識源や教師あり学習を一切用いずに、Wikipediaハイパーリンク上の単純な非教師ありランダムウォークが最先端の性能を達成できるか？
• RQ5 全グラフを用いることで得られる性能向上は、複数のデータセットおよびタスクにわたり一貫しているか？

主な発見

• パーソナライズドPageRankを用いた完全なハイパーリンクグラフの利用は、直接リンクのみを用いる場合に比べ顕著に優れており、すべてのデータセットで一貫した改善が得られた。
• 非相互リンクは性能を低下させるため、非対称なリンク構造がノイズをもたらすことが示された。
• カテゴリーリンクとインフォボックスリンクは性能にほとんど寄与せず、テストされたタスクにおいてはほとんど利益が得られなかった。
• 本手法は、Wikipediaハイパーリンクのみを用いても、語の類似度および固有表現の意味あいまい除去ベンチマークで、新たなSOTAを達成した。
• 外部情報源や教師あり学習を用いるトップレベルのシステムと同等、あるいはそれ以上の性能を示した。
• WikipediaベースのランダムウォークとWordNetを組み合わせることで、特に類似度タスクにおいて性能がさらに向上した。