[論文レビュー] WebSets: Extracting Sets of Entities from the Web Using Unsupervised Information Extraction

Bhavana Dalvi, William W. Cohen+1 more|arXiv (Cornell University)|Jun 30, 2013

Web Data Mining and Analysis被引用数 12

ひとこと要約

WebSetsは、重複する3つのインスタンスを用いた分布的に類似した語のクラスタリングとHearstパターンの組み合わせにより、HTMLテーブルから大規模で正確な概念-インスタンスペアを非教師ありで抽出する手法を提案する。本手法は最小限のユーザラベルで97–99%の正確性を達成し、従来手法の約100倍のペアを生成しながら、純度と効率性においてk-meansを上回る。

ABSTRACT

We describe a open-domain information extraction method for extracting concept-instance pairs from an HTML corpus. Most earlier approaches to this problem rely on combining clusters of distributionally similar terms and concept-instance pairs obtained with Hearst patterns. In contrast, our method relies on a novel approach for clustering terms found in HTML tables, and then assigning concept names to these clusters using Hearst patterns. The method can be efficiently applied to a large corpus, and experimental results on several datasets show that our method can accurately extract large numbers of concept-instance pairs.

研究の動機と目的

• オープンドメインのWebコーパスから大規模で正確な概念-インスタンスペアを自動で収集する課題に対処すること。
• 自由テキストと分布的クラスタリングに依存する従来手法を改善するため、HTMLテーブルに限定して焦点を当てること。
• 重複するインスタンスの3つ組を用いて、複数のテーブルカラムにまたがる語の座標語を高精度に同定するスケーラブルな非教師ありクラスタリング手法を開発すること。
• ハイポニムパターンと座標語クラスタを組み合わせることで、従来手法を上回る正確性とカバレッジを持つ概念-インスタンスペアを生成すること。
• クラスタごとに最小限のユーザラベルを提供するだけで、概念-インスタンスペア抽出の正確性がほぼ完璧（97–99%）に達することを示すこと。

提案手法

• 本手法は、HTMLテーブルに含まれる語を、重複する3つのインスタンスを含むカラムをマージする新しいアルゴリズムでクラスタリングすることで、座標語を同定する。
• クラスタの純度は、カラム間のインスタンス3つ組の重複に基づいて計算され、同じ概念を共有する語のグループ化において高い正確性を保証する。
• クラスタリングアルゴリズムはO(N log N)の時間計算量を有し、k-meansや階層的クラスタリングよりも効率的である。
• 候補となるクラスタにHearstパターンを適用して概念-インスタンスペアを生成し、'X such as Y' などの表層パターンを用いてハイポニム関係を推定する。
• 候補となる概念-インスタンスペアと座標語クラスタを統合する新しい組み合わせ戦略を提案し、従来手法を上回る正確性とカバレッジを実現する。
• クラスタごとに少量のユーザ提供ラベルを用いて概念名を精緻化することで、正確性が97–99%まで著しく向上する。

実験結果

リサーチクエスチョン

• RQ1 HTMLテーブル内のインスタンスの重複3つ組に基づくクラスタリング手法が、従来の分布的クラスタリングを上回り、座標語を同定する能力に優れているか？
• RQ2 テーブルベースの座標語クラスタとHearstパターンを組み合わせることで、従来手法よりも正確性が高く、スケーラブルな概念-インスタンスペアを生成できるか？
• RQ3 クラスタごとに最小限のユーザ入力が、概念-インスタンスペア抽出の正確性をどの程度向上できるか？
• RQ4 得られたエンティティセットが、大規模なWebコーパスの効果的な要約として機能できるか？
• RQ5 提案手法は、インテリジェンス、音楽、一般Webデータなど多様なコーパスにおいて、どの程度スケーリング可能で性能を発揮するか？

主な発見

• 提案手法のクラスタリング法は、純度が83%～99%に達し、k-meansに比べて純度、ランジ指数、Fowlkes-Mallows指数のすべてで顕著に優れた。
• 本手法は、Van DurmeとPasca [26] の手法に比べて、ほぼ100倍の概念-インスタンスペアを生成し、テーブル豊富なコーパスでは正確性を50%から78%まで向上させた。
• クラスタごとにわずかなユーザラベルを提供するだけで、4つの異なるコーパスで概念-インスタンスペアの正確性が97–99%という高水準に達した。
• WebSetsが生成したラベル付きエンティティセットは、大規模なHTMLコーパスの内容を効果的に要約しており、ソーステーブルやドメインへのリンクを介して探索可能である。
• 本研究で生成されたデータセットと手動評価結果は、今後の研究を対象に公開されている。
• クラスタリングアルゴリズムの時間計算量はO(N log N)であり、大規模応用においてk-meansや階層的クラスタリングよりも効率的である。