[論文レビュー] Towards Deep Semantic Analysis Of Hashtags

Piyush Bansal, Romil Bansal+1 more|arXiv (Cornell University)|Jan 13, 2015

Topic Modeling参考文献 8被引用数 7

ひとこと要約

本稿では、SNSにおける意味的理解を向上させるために、知識ベース（例：Wikipedia）にリンクする文脈に配慮したハッシュタグ分割手法を提案する。文法的・意味的・文脈的特徴を組み合わせた回帰ベースのランク付けモデルを用い、ハッシュタグのエンティティリンクで81.5%のF1スコアを達成し、ベースライン比で全体のツイートエンティティリンク性能を15.3%向上させた。

ABSTRACT

Hashtags are semantico-syntactic constructs used across various social networking and microblogging platforms to enable users to start a topic specific discussion or classify a post into a desired category. Segmenting and linking the entities present within the hashtags could therefore help in better understanding and extraction of information shared across the social media. However, due to lack of space delimiters in the hashtags (e.g #nsavssnowden), the segmentation of hashtags into constituent entities ("NSA" and "Edward Snowden" in this case) is not a trivial task. Most of the current state-of-the-art social media analytics systems like Sentiment Analysis and Entity Linking tend to either ignore hashtags, or treat them as a single word. In this paper, we present a context aware approach to segment and link entities in the hashtags to a knowledge base (KB) entry, based on the context within the tweet. Our approach segments and links the entities in hashtags such that the coherence between hashtag semantics and the tweet is maximized. To the best of our knowledge, no existing study addresses the issue of linking entities in hashtags for extracting semantic information. We evaluate our method on two different datasets, and demonstrate the effectiveness of our technique in improving the overall entity linking in tweets via additional semantic information provided by segmenting and linking entities in a hashtag.

研究の動機と目的

• スペースのないハッシュタグから意味的意味を抽出する課題に対処する。これは、標準的なトークン化手法が機能しないためである。
• 既存のシステムがハッシュタグを単一のトークンとして扱うか、感情分析やエンティティ分析において無視するという限界を克服する。
• 分割されたハッシュタグから抽出した意味的情報を活用することで、ツイート内のエンティティリンクを改善する。
• 曖昧な、もしくは複数の妥当な分割が考えられるハッシュタグに対しても耐障害性を持つ文脈に配慮したシステムを構築する。
• ハッシュタグの意味的特性が、感情分析、イベント検出、検索強化といった下流NLPタスクにどのように有用であるかを実証する。

提案手法

• 各ハッシュタグに対して候補分割を生成するため、可変長スライディングウインドウ手法を採用する。
• 一文字語（unigram）、二文字語（bigram）、大文字の使用、ツイートからの文脈、Wikipediaエンティティとの意味的関連性といった複数の特徴を抽出する。
• k=5のk-fold交差検証を用いて訓練された回帰モデルにより、ツイート文脈との整合性に基づいて分割をランク付けする。
• 上位ランクの分割を知識ベースリンクパイプラインに統合し、Wikipediaページへのエンティティマッピングを実現する。
• 人間によるアノテート済みゴールドスタンダードを用いた投票メカニズムを導入し、曖昧性への耐性を確保する。
• 2つのデータセット（NEELおよびStanford Sentiment Analysis）を対象に、P@nおよびF1スコアを用いて分割およびエンティティリンクの性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 語区切りがない状態で、どのようにして意味的で文脈的に整合性のあるエンティティにハッシュタグを効果的に分割できるか？
• RQ2 文脈を組み込むことで、文脈非依存手法と比較して、ハッシュタグの分割およびエンティティリンクの正確性がどの程度向上するか？
• RQ3 分割されたハッシュタグから抽出した意味的情報は、ツイート全体のエンティティリンク性能を向上させることができるか？
• RQ4 一文字語、文脈、大文字の使用といった異なる特徴タイプは、正しいハッシュタグ分割のランク付けにどの程度寄与するか？
• RQ5 ハッシュタグとツイートとの意味的整合性が、エンティティリンクの品質に与える影響は何か？

主な発見

• 提案手法は、NEELデータセットにおいてハッシュタグエンティティリンクタスクでF1スコア81.5%を達成し、ベースライン（F1: 42.9%）比で36.1%の向上を示した。
• Stanford Sentiment Analysisデータセットでは、ハッシュタグ分割のP@1が87.3%に達し、Word Breaker（78.9%）を上回った。
• 文脈特徴の統合により、一文字語ベースライン比で1.1%の性能向上が見られ、関連性および文脈特徴が特に寄与していた。
• ベースライン比で全体のツイートエンティティリンク性能がF1スコアで15.3%向上した。これは、ハッシュタグの意味的特性が広範なNLPタスクにおいて価値を持つことを示している。
• StanfordデータセットにおけるFleiss’ Kappaが0.89であったことから、人間によるアノテート済みゴールドスタンダードの信頼性が裏付けられた。
• 文脈および関連性特徴の追加が、最も高い増分的向上（P@1で最大+1.1%）をもたらした。これは、妥当な分割を解釈する上でこれらの特徴が極めて重要であることを示している。