[論文レビュー] Synonym search in Wikipedia: Synarcher

Andrew Krizhanovsky|ArXiv.org|Jun 22, 2006

Wikis in Education and Collaboration参考文献 4被引用数 20

ひとこと要約

本稿では、ハイパーリンクとカテゴリ構造を活用して、Wikipedia内で同義語や関連語を発見するための、適応版HITSアルゴリズムを用いたツール「Synarcher」を提示する。結果をインタラクティブなグラフとして可視化し、ユーザーが同義語候補を探索・手動でフィルタリングできるようにしている。WordNet や Moby Thesaurus にない同義語、たとえば「ロボット」の同義語としての「アンドロイド」と「レプラニント」を効果的に同定した。

ABSTRACT

The program Synarcher for synonym (and related terms) search in the text corpus of special structure (Wikipedia) was developed. The results of the search are presented in the form of graph. It is possible to explore the graph and search for graph elements interactively. Adapted HITS algorithm for synonym search, program architecture, and program work evaluation with test examples are presented in the paper. The proposed algorithm can be applied to a query expansion by synonyms (in a search engine) and a synonym dictionary forming.

研究の動機と目的

• Wikipediaの構造的データ（ハイパーリンクおよびカテゴリ）を用いて、言語に依存しない同義語検索システムを開発すること。
• ページのキーワードとカテゴリ情報を取り入れることで、HITSアルゴリズムを同義語発見に適応させること。
• グラフベースのインターフェースを用いた同義語関係の探索を可能にするインタラクティブ可視化ツールを構築すること。
• 本システムが、WordNet や Moby Thesaurus といった既存の語彙資源を超えて同義語を同定できるかを評価すること。

提案手法

• ページタイトルをキーワード集合とし、カテゴリ参加情報を統合することで、HITSアルゴリズムを適応し、類似度検出を強化する。
• ノードを記事、エッジをハイパーリンクとする有向グラフとしてWikipediaをモデル化し、ハブとオーソリティを反復的に計算する。
• TouchGraph WikiBrowser を用いて、クエリ語の周辺の同義語クラスタをリアルタイムでインタラクティブにグラフ可視化する。
• ユーザーがノードを同義語として評価できるようにし、選択内容をクライアント側に保存してフィルタリングを改善する。
• パフォーマンスのボトルネックを回避し、オフラインでの計算を可能とするために、2005年3月時点の英語版およびロシア語版Wikipediaのローカルコピーを構築する。
• カテゴリ構造に基づく階層的クラスタリングを適用し、トピックごとに関連語をグループ化する。

実験結果

リサーチクエスチョン

• RQ1 適応版HITSアルゴリズムは、Wikipediaのハイパーリンクおよびカテゴリ構造を用いて、意味的に関連する語を効果的に同定できるか？
• RQ2 既存の語彙資源（WordNet や Moby Thesaurus）と比較して、同義語発見のパフォーマンスはどの程度か？
• RQ3 インタラクティブなユーザーのフィードバックは、グラフベースの結果からの同義語抽出の正確性をどの程度向上できるか？
• RQ4 本システムは、既存の語彙リソースにない新しい同義語を同定できるか？
• RQ5 Wikipediaのカテゴリ分類に基づく階層的クラスタリングは、どの程度効果的か？

主な発見

• Synarcherは、WordNet や Moby Thesaurus にない7つの同義語を「ロボット」について同定した：「アンドロイド」「ゴーレム」「ホムンクルス」「ドモティクス」「レプラニント」「センティエンス」「パラヒューマンス」。
• 「宇宙飛行士」について、WordNet にない4つの追加同義語—「コスモナウト」「タイコナウト」「スパシオナウト」「宇宙観光客」—を同定した。
• 英語版Wikipedia（901,861ページ）はロシア語版Wikipedia（30,161ページ）よりもはるかに多くの同義語候補を生成しており、コーパスサイズの影響が顕著に現れた。
• システムは、手動でのフィルタリングを要する関連語のリストを出力したため、同義語発見が完全に自動化されておらず、専門家の入力を受けることで効果が向上することが示された。
• カテゴリ構造の活用により、結果の階層的クラスタリングが可能となり、トピックベースの同義語クラスタの組織化が可能になった。
• インタラクティブなグラフインターフェースにより、ユーザーが同義語セットを探索・精錬できることが実証され、ユーザーが関与するフィードバックの価値が示された。