[論文レビュー] The Persian Dependency Treebank Made Universal

Mohammad Sadegh Rasooli, Pegah Safari+2 more|arXiv (Cornell University)|Sep 21, 2020

Natural Language Processing Techniques参考文献 32被引用数 5

ひとこと要約

本稿では、ペルシャ語依存木バンク（PerDT）をユニバーサル・デパーソン（UD）に自動的かつ規則ベースで変換する手法を提示する。この手法はアノテーションの不整合性を是正し、UDガイドラインとの互換性を向上させる。変換後の木バンクは29,107文を含み、言語学的カバレッジが向上しており、ラベル付きアタッチメントスコア（LAS）が85.2に達し、デキセオライズドパーサー移行評価において2%高い精度を示す。これは、ユニバーサル・デパーソンとの優れた互換性を示している。

ABSTRACT

We describe an automatic method for converting the Persian Dependency Treebank (Rasooli et al, 2013) to Universal Dependencies. This treebank contains 29107 sentences. Our experiments along with manual linguistic analysis show that our data is more compatible with Universal Dependencies than the Uppsala Persian Universal Dependency Treebank (Seraji et al., 2016), and is larger in size and more diverse in vocabulary. Our data brings in a labeled attachment F-score of 85.2 in supervised parsing. Our delexicalized Persian-to-English parser transfer experiments show that a parsing model trained on our data is ~2% absolutely more accurate than that of Seraji et al. (2016) in terms of labeled attachment score.

研究の動機と目的

• 大規模かつ高品質なペルシャ語ユニバーサル・デパーソンアノテーションデータの不足に対処すること。
• より大規模で多様性に富み、言語学的に一貫性のあるリソースを提供することで、ウプサラペルシャ語UD木バンクを改善すること。
• アノテーションエラーを是正しながら、PerDTをユニバーサル・デパーソンにマッピングする自動的かつ言語学的知見に基づいた変換パイプラインを開発すること。
• クロスリンガルパーサー移行実験を通じて、新木バンクがユニバーサル・デパーソンとどの程度互換性を持つのかを検証すること。

提案手法

• トークン化の標準化、POSタグのアライメント、固有表現の解消、依存関係のマッピングを含むマルチステージの変換パイプラインの適用。
• ライト・ヴェルブ構造、クルーリック、動詞複合語といったペルシャ語の句法学的現象に特化したマッピングルールの設計。
• ペルシャ語の動詞屈折形に対し、'aux' POSタグと'aix:pass'関係を導入し、ライト・ヴェルブ構成要素には'compound:lvc'を使用。
• マッピングプロセス中に不整合を特定し、重要事例を手動で検証することで、元のPerDTにおけるアノテーションエラーを是正。
• クロスリンガルパーサー移行評価を可能にするために、新規PerDTベース木バンクおよびウプサラ木バンクのデキセオライズド化。
• デキセオライズドデータ上でYaraパーサーを学習し、ユニバーサル・イングリッシュ・ウェブ木バンク上で性能を評価することで、移行精度を比較。

実験結果

リサーチクエスチョン

• RQ1 既存のペルシャ語依存木バンクを、言語学的正確性を保持したまま自動的にユニバーサル・デパーソンに変換する方法は何か？
• RQ2 得られた木バンクは、ウプサラペルシャ語UD木バンクといった既存の代替案よりも、ユニバーサル・デパーソンとより高い互換性を持つだろうか？
• RQ3 新木バンクで学習したパーサーは、ウプサラ木バンクで学習したパーサーと比較して、デキセオライズド移行設定で優れた性能を示すだろうか？
• RQ4 過去の木バンクに見られるアノテーションエラーと一貫性の欠如は、クロスリンガルパーサー性能にどの程度の影響を及ぼすのか？

主な発見

• 新規ペルシャ語ユニバーサル・デパーソン木バンクには29,107文が含まれており、ウプサラ木バンクの5,997文よりも顕著に多い。
• この木バンクは、教師ありパーサー評価でラベル付きアタッチメントスコア（LAS）85.2を達成し、優れたパーサー性能を示している。
• デキセオライズドパーサー移行において、新木バンクで学習したモデルは、ウプサラ木バンクで学習したモデルよりも、ラベルなしおよびラベル付きアタッチメントスコアの両方で2%高い精度を示した。
• 新木バンクは、ウプサラ木バンクに見られた主なアノテーション問題を是正している。例えば、形容詞の補語に'nmod'が誤って使用されていたのを'obl'に修正し、自動語の誤分類も是正した。
• ライト・ヴェルブ構造に関して、新木バンクでは682件の'csubj'と439件の'compound:lvc'を正しく同定しているが、これはウプサラ木バンクでは一貫性が欠けていた。
• 新木バンクでは固有名が正しくラベル付けされており、23,000以上のトークンをカバーしている。これに対してウプサラ木バンクでは固有名のアノテーションが行われていなかった。