[論文レビュー] TimeMachine: Entity-centric Search and Visualization of News Archives

Pedro Saleiro, Jorge Teixeira+2 more|arXiv (Cornell University)|Jan 5, 2016

Data Visualization and Analytics参考文献 5被引用数 7

ひとこと要約

TimeMachine は、自然言語処理および情報検索技術を用いて、大規模なニュースアーカイブのインタラクティブでエンティティ中心の検索と可視化を可能にするウェブベースのツールです。このシステムは、数百万件のニュース記事からエンティティ、引用文、共起関係を抽出・インデックス化し、時間順に整列したエンティティプロファイルと、関連する人物を動的に可視化する力の作用に基づくネットワークを通じて、進化するニュースストーリーを探索できます。

ABSTRACT

We present a dynamic web tool that allows interactive search and visualization of large news archives using an entity-centric approach. Users are able to search entities using keyword phrases expressing news stories or events and the system retrieves the most relevant entities to the user query based on automatically extracted and indexed entity profiles. From the computational journalism perspective, TimeMachine allows users to explore media content through time using automatic identification of entity names, jobs, quotations and relations between entities from co-occurrences networks extracted from the news articles. TimeMachine demo is available at http://maquinadotempo.sapo.pt/

研究の動機と目的

• ジャーナリストや研究者がエンティティベースのクエリを用いて時間軸に沿ってメディアコンテンツを探索できるようにすることで、急増するニュースアーカイブのナビゲーションという課題に対処すること。
• 大規模なニュースコーパスからエンティティ、引用文、関係を自動で抽出・インデックス化できるスケーラブルなシステムの開発。
• ニュースストーリーや有名人の時間的変遷を視覚化するためのインタラクティブで使いやすいインターフェースの提供。
• キーワードベースのクエリと時刻フィルタリングを施したエンティティネットワークを通じて、メディアコンテンツの動的探索を支援すること。
• 自然言語処理、テキストマイニング、情報検索を統合することで、計算的ジャーナリズムを強化し、ニュース分析の質を向上させること。

提案手法

• システムは、生の HTML/XML ニュースファイルからボイラープレートを除去するためのニュースクリーニングパイプラインを用いる。
• 条件付きランダムフィールド（CRF）ベースの NERD モジュールは、言語的パターンと職務記述子を用いてエンティティの表記を特定・分類し、5万件のニュースアイテムを用いたブートストラップ手法で学習される。
• エンティティに言及する文（エンティティスニペット）が抽出され、インデックス化のためのエンティティドキュメントに連結される。
• エンティティインデックスはエンティティと用語間の共起頻度を保持しており、クエリキーワードやフレーズに基づいた時刻に配慮した検索を可能にする。
• 引用文は言語的パターンマッチングを用いて抽出され、エンティティプロファイルの充実を図る。
• 同じ記事に登場するエンティティ間のエッジ重みを増加させることで共起ネットワークを構築し、Sigma.js と力の作用アルゴリズムを用いて可視化される。

実験結果

リサーチクエスチョン

• RQ1 大規模なニュースアーカイブは、キーワードベースの検索ではなくエンティティ中心のクエリを用いることで、どのように効果的に探索可能になるか？
• RQ2 共起ネットワークと時刻フィルタリングを用いることで、進化するニュースストーリーの解釈性にどのような影響を与えるか？
• RQ3 自動エンティティ抽出および分類技術は、ジャーナリスティックおよびアーカイブ研究の文脈で十分な正確性を達成できるか？
• RQ4 力の作用に基づくエンティティネットワークの可視化は、時間経過に伴うメディアナラティブの理解をどのように支援するか？
• RQ5 限られたアノテート済みデータを有するジャーナリスティックテキストにおいて、ブートストラップ学習アプローチが NER のパフォーマンスをどの程度向上させるか？

主な発見

• システムは、20年分のアーカイブと50の新聞社からのリアルタイムストリームを含む、ポルトガル語のニュースソースから1,200万件を超えるニュース記事を処理している。
• 名前、職業、ニューススニペット、引用文、関連するエンティティを含むエンティティプロファイルが動的に生成され、時間軸に沿ったナビゲーションが可能になる。
• エンティティ検索システムは、直接的な名前クエリ（例：'Cristiano Ronaldo'）と意味的クエリ（例：'eurozone crisis'）の両方をサポートし、関連するエンティティを検索可能である。
• インタラクティブな共起ネットワークは Sigma.js を用いて力の作用に基づくレイアウトで可視化され、ノードのサイズとエッジの太さが言及頻度と共起強度を反映する。
• 色分けされたノードは異なるニューストピックを表しており、エンティティ関係のテーマ的解釈を強化する。
• システムは時間範囲フィルタリングをサポートしており、ユーザーが特定の日付範囲内でエンティティネットワークを探索し、ナラティブの進化を観察できる。