[논문 리뷰] Corpus-Based Word Sense Disambiguation

Atsushi Fujii|arXiv (Cornell University)|1998. 04. 29.

Natural Language Processing Techniques참고 문헌 138인용 수 4

한 줄 요약

이 논문은 다의어 동사를 기반으로 한 유사도 기반 방법을 사용하여 문장 예제 간의 유사도를 계산하는 코퍼스 기반의 동사의미해석해제 시스템을 제안한다. 이는 다의어 동사의 보어에 대한 가중치를 적용한 유사도 계산 방식을 사용한다. 본 논문은 동사 보어에 대한 새로운 가중치 부여 체계를 도입하고, 계산 부담을 줄이기 위해 예시 문장을 선택적으로 추출하는 전략을 제안하며, 최적화된 유사도 계산 방법을 적용하여 수동으로 태깅된 코퍼스에서 동사의 의미 다의성 문제를 더 높은 정확도와 효율성으로 해결한다.

ABSTRACT

Resolution of lexical ambiguity, commonly termed ``word sense disambiguation'', is expected to improve the analytical accuracy for tasks which are sensitive to lexical semantics. Such tasks include machine translation, information retrieval, parsing, natural language understanding and lexicography. Reflecting the growth in utilization of machine readable texts, word sense disambiguation techniques have been explored variously in the context of corpus-based approaches. Within one corpus-based framework, that is the similarity-based method, systems use a database, in which example sentences are manually annotated with correct word senses. Given an input, systems search the database for the most similar example to the input. The lexical ambiguity of a word contained in the input is resolved by selecting the sense annotation of the retrieved example. In this research, we apply this method of resolution of verbal polysemy, in which the similarity between two examples is computed as the weighted average of the similarity between complements governed by a target polysemous verb. We explore similarity-based verb sense disambiguation focusing on the following three methods. First, we propose a weighting schema for each verb complement in the similarity computation. Second, in similarity-based techniques, the overhead for manual supervision and searching the large-sized database can be prohibitive. To resolve this problem, we propose a method to select a small number of effective examples, for system usage. Finally, the efficiency of our system is highly dependent on the similarity computation used. To maximize efficiency, we propose a method which integrates the advantages of previous methods for similarity computation.

연구 동기 및 목표

• 코퍼스 기반 방법을 사용하여 동사의 의미 다의성의 정확도를 향상시키는 것.
• 큰 수동 태깅 데이터베이스와 수동 감시로 인한 유사도 기반 WSD 시스템의 높은 계산 비용 문제를 해결하는 것.
• 효율적인 시스템 운영을 위해 작은 효과적인 예시 문장 집합을 선택하는 방법을 개발하는 것.
• 이전 방법들의 장점을 통합하여 문장 예제 간의 유사도 계산을 향상시키는 것.
• 수동으로 태깅된 동사의미 코퍼스에서 제안된 시스템의 효과성을 평가하는 것.

제안 방법

• 시스템은 입력 문장과 태깅된 예시 문장 간의 유사도를 다의어 동사의 보어 간 유사도의 가중 평균 기반으로 계산한다.
• 유사도 계산에서 각 동사 보어에 다른 중요도를 할당하기 위해 새로운 가중치 부여 체계를 제안한다.
• 전체 데이터베이스에서 계산 오버헤드를 줄이기 위해 소수의 대표성 있는 예시 문장 집합을 선택하는 방법을 도입한다.
• 이전 방법들의 장점을 통합하여 효율성과 정확도를 극대화하는 유사도 계산 방법을 적용한다.
• 각 예시 문장이 올바른 동사의미로 태깅된 수동으로 태깅된 코퍼스를 사용한다.
• 선택된 집합 내에서 가장 유사한 예시의 의미 레이블에 기반하여 최종 동사의미를 할당한다.

실험 결과

연구 질문

• RQ1 어떻게 동사의미해석해제를 위한 문장 예제 간의 유사도를 효과적으로 계산할 수 있는가?
• RQ2 어떤 보어 가중치 체계가 의미해석해제 정확도를 향상시킬 수 있는가?
• RQ3 대표성 있는 예시 문장의 축소된 집합이 계산 비용을 줄이면서도 높은 의미해석해제 성능을 유지할 수 있는가?
• RQ4 기존의 유사도 계산 방법들을 어떻게 통합하여 효율성과 정확도를 극대화할 수 있는가?
• RQ5 제안된 시스템은 수동으로 태깅된 동사의미 코퍼스에서 어떤 성능을 보이는가?

주요 결과

• 제안된 동사 보어에 대한 가중치 체계는 유사도 기반의의미해석해제 정확도를 크게 향상시킨다.
• 작고 효과적인 예시 문장 집합을 선택하면 계산 오버헤드는 줄어들지만 의미해석해제 성능은 유지된다.
• 통합된 유사도 계산 방법은 효율성과 정확도 측면에서 개별 이전 방법들을 모두 능가한다.
• 시스템은 수동으로 태깅된 동사의미 코퍼스에서 높은 의미해석해석 정확도를 달성하여 제안된 접근 방식의 효과성을 입증한다.
• 이 방법은 기계 번역 및 정보 검색과 같은 NLP 작업에서 실용적이고 확장 가능한 잠재력을 지닌다.
• 결과는 최적화된 유사도 계산과 선택적 예시 사용을 통한 코퍼스 기반 동사의미해석해제의 실현 가능성을 검증한다.