[論文レビュー] Tagset Design and Inflected Languages

David Elworthy|ArXiv.org|Apr 3, 1995

Natural Language Processing Techniques参考文献 4被引用数 32

ひとこと要約

この論文は、隠れマルコフモデルを用いて、英語、フランス語、スウェーデン語における品詞タギングの正確性に、タグセットのサイズと設計が与える影響を調査している。主な発見として、より大きな、言語学的根拠に基づいたタグセットは、特に屈曲語において正確性を向上させる傾向にあり、タグセット設計には内部的な工学的ヒューリスティクス（例：タグセットサイズの最小化）ではなく、外部的な言語学的基準を優先すべきであると結論づけている。

ABSTRACT

An experiment designed to explore the relationship between tagging accuracy and the nature of the tagset is described, using corpora in English, French and Swedish. In particular, the question of internal versus external criteria for tagset design is considered, with the general conclusion that external (linguistic) criteria should be followed. Some problems associated with tagging unknown words in inflected languages are briefly considered.

研究の動機と目的

• 英語、フランス語、スウェーデン語において、タグセットサイズとタギング正確性の関係を評価すること。
• 内部的基準（例：正確性向上のためのタグセットサイズの最小化）と外部的言語学的基準（例：句構造的および屈曲的区別）のどちらがタグセット設計を指導すべきかを評価すること。
• HMMタガーラーが屈曲語の未知語に対してどのように動作するかを調査し、表層形の手がかりを用いた形態解析による正確性向上の可能性を検討すること。
• より大きな、詳細なタグセットが、特に形態的に豊富な言語において、より良いタギング結果をもたらすかどうかを特定すること。

提案手法

• 語彙的区別（例：性、格、定義性）を単一のタグに統合することで、修正されたタグセットを構築。これにより、核心的な言語学的カテゴリのみを保持した。
• 同じコーパスを用いて、これらの修正済みタグセットで再トレーニングした隠れマルコフモデル（HMM）タガーラーを用い、タグセットサイズと構造の影響を隔離して評価した。
• 全言語にわたって一貫性を保つために、同じHMMタガーラー・アーキテクチャを用い、手動でタグ付けされたコーパスに基づく学習を実施した。
• 保留されたテストセットを用いてタギング正確性を評価し、トレーニング中に確認されなかった未知語のパフォーマンスも含めた。
• 未知語に対して形態解析を適用し、表面形の手がかりを用いた正確性向上の可能性を推定した。
• 言語ごとの結果を比較することで、タグセットサイズと正確性の関係が一貫しているか、言語依存的であるかを評価した。

実験結果

リサーチクエスチョン

• RQ1 タグセットサイズを拡大することで、特に屈曲語において、タギング正確性が向上するか？
• RQ2 タグセットサイズと正確性の間に一貫した関係があるか、それとも言語によって顕著に異なるか？
• RQ3 未知語の形態解析により、屈曲語におけるタギング正確性をどの程度向上できるか？
• RQ4 タグセット設計に言語学的根拠（外部基準）を用いることで、最小化タグセットサイズのような工学的ヒューリスティクス（内部基準）よりも優れた結果が得られるか？
• RQ5 HMMタガーラーの未知語に対するパフォーマンスは、英語、フランス語、スウェーデン語でどのように異なるか。また、形態解析によってその影響を軽減できるか？

主な発見

• タグセットが小さいほど正確性が向上するという一貫性はなく、むしろより大きな、言語学的に詳細なタグセットの方が、特にスウェーデン語のような形態的に豊富な言語では正確性が高くなる傾向にある。
• スウェーデン語では、未知語のタギング正確性がタグセットが大きくなるにつれて低下しており、言語学的詳細さと未知語に対する耐性の間にはトレードオフがあることが示された。
• フランス語では、性のマークが正確性の鍵を握っており、これを減らすと性能が低下した。これは、特定の形態的区別が正しいタギングに不可欠である可能性を示唆している。
• 英語では、タグセットサイズと正確性の間に明確な傾向が認められず、形態的にあまり豊富でない言語では、タグセットサイズの影響が小さい可能性がある。
• 未知語の形態解析は強く有望な結果を示した。スウェーデン語の未知語の96％が、単一のタグに属する屈曲形態クラスに分類可能であり、フランス語の言語学者は70％の未知語が形態解析によって正しくタグ付け可能と推定した。
• 結果から、内部的な工学的ヒューリスティクス（例：タグセットサイズの最小化）よりも、外部的な言語学的基準（例：句構造的および形態的区別）をタグセット設計の主導的基準とするべきであることが確認された。