[論文レビュー] The Parallel Meaning Bank: Towards a Multilingual Corpus of Translations Annotated with Compositional Meaning Representations

Lasha Abzianidze, Johannes Bjerva+6 more|University of Groningen research database (University of Groningen / Centre for Information Technology)|Feb 13, 2017

Natural Language Processing Techniques参考文献 18被引用数 14

ひとこと要約

Parallel Meaning Bank (PMB) は、英語、ドイツ語、オランダ語、イタリア語の4言語で1,100万語を超える多言語コーパスを、言語間投影を用いて共有で構成的な意味表現でアノテーションしたものである。英語の自動生成・半教師付きの意味アノテーションを、文構造的および意味的アライメントを用いて対応する翻訳文に投影することで、PMB は言語間の構成的意味論を可能にし、最小限の手作業で多言語意味解析器の開発を支援する。

ABSTRACT

The Parallel Meaning Bank is a corpus of translations annotated with shared, formal meaning representations comprising over 11 million words divided over four languages (English, German, Italian, and Dutch). Our approach is based on cross-lingual projection: automatically produced (and manually corrected) semantic annotations for English sentences are mapped onto their word-aligned translations, assuming that the translations are meaning-preserving. The semantic annotation consists of five main steps: (i) segmentation of the text in sentences and lexical items; (ii) syntactic parsing with Combinatory Categorial Grammar; (iii) universal semantic tagging; (iv) symbolization; and (v) compositional semantic analysis based on Discourse Representation Theory. These steps are performed using statistical models trained in a semi-supervised manner. The employed annotation models are all language-neutral. Our first results are promising.

研究の動機と目的

• 複数の言語にまたがる共有で形式的な意味表現を持つ多言語コーパスを開発し、言語間の構成的意味論を支援すること。
• 高品質な英語の意味アノテーションを翻訳文に投影することで、手作業による意味アノテーションのコストと作業量を低減すること。
• 翻訳における意味のずれを体系的に研究し、多言語意味解析器の開発を支援すること。
• 再訓練に最小限の手間で対応可能な、スケーラブルで言語に依存しない意味アノテーションフレームワークを構築すること。

提案手法

• PMB は5段階のアノテーションパイプラインを用いる：文および語彙的セグメンテーション、結合カテゴリカル文法（CCG）解析、ユニバーサル意味タグ付け、記号化、および話題的代表理論（DRT）を用いた構成的意味解析。
• 意味アノテーションは、既存のツールと人手で修正されたデータで訓練された半教師付き統計モデルを用いて、英語で最初に生成される。
• 言語間のアライメントは、ヒューリスティックな文アライメントと GIZA++ を用いた語のアライメントにより実現される。
• 同じ DRT を用いた意味表現が、翻訳が意味を保存すると仮定して他の言語に投影され、言語間で共有される形式的意味論が実現される。
• モデルの性能向上と衝突の解消のため、人手による修正（「知恵の断片（Bits of Wisdom）」）が用いられ、ゴールド、シルバー、ブロンズのアノテーション基準が明確に区別される。
• 人手で修正されたデータを繰り返し用いてモデルを再訓練することで、精度の向上とアノテーションガイドラインの進化への適応が図られる。

実験結果

リサーチクエスチョン

• RQ1 文構造的および意味的解析を用いて、英語の構成的意味表現を他の言語の翻訳文に信頼性高く投影できるか？
• RQ2 言語間投影を用いることで、新規にリソースを構築する場合と比較して、多言語意味アノテーションにおける手作業の必要性はどの程度低減されるか？
• RQ3 言語に依存しない意味タグ付けと、CCG や DRT などの記号的形式的記法が、言語間の意味的一致性を実現するためにどの程度有効であるか？
• RQ4 人手による「知恵の断片（Bits of Wisdom）」の使用が、複数の言語にまたがるモデル収束性とアノテーション品質に与える影響は何か？
• RQ5 同じ意味アノテーションパイプラインは、ゲルマン諸語に加え、イタリア語のような文法的構造が異なる言語に対しても効果的に適用可能か？

主な発見

• PMB コーパスは、4言語で合計285,154ドキュメント、1,130万トークン以上を含み、そのうち5%のドキュメントが全4言語に存在する。
• オランダ語においても、言語間投影による構成的意味論の実現可能性が示され、有望な結果が得られた。
• ゴールドスタンダードのアノテーションは、英語6,810件、ドイツ語4,757件、イタリア語2,843件、オランダ語945件に設定され、高品質な基準データが確保された。
• 「知恵の断片（Bits of Wisdom）」の使用により、モデルの性能が著しく向上し、矛盾や曖昧なケースに注目した人手によるアノテーションが集中された。
• パイプラインにより、英語の意味アノテーションを再利用し、他の言語における手作業の最小限化が実現され、アノテーションコストが削減された。
• コーパスはウェブインターフェース経由で公開されており、安定版リリースがダウンロード可能で、再現性とさらなる研究を支援する。