[논문 리뷰] Extracting Keyword for Disambiguating Name Based on the Overlap Principle

Mahyuddin K. M. Nasution|arXiv (Cornell University)|2016. 01. 30.

Advanced Text Analysis Techniques참고 문헌 9인용 수 5

한 줄 요약

이 논문은 웹 스니펫과 용어 특성의 집합 교차를 기반으로 한 유사도 측정법을 활용하여 오버랩 원리를 이용한 이름의 의미 분리 키워드 추출 방법을 제안한다. 실세계 데이터셋에서 F-측도 0.36을 달성하여, 오버랩 기반의 키워드 선택이 다의어 이름 상황에서의 의미 분리 정확도를 향상시킨다는 것을 입증한다.

ABSTRACT

Name disambiguation has become one of the main themes in the Semantic Web agenda. The semantic web is an extension of the current Web in which information is not only given well-defined meaning, but also has many purposes that contain the ambiguous naturally or a lot of thing came with the overlap, mainly deals with the persons name. Therefore, we develop an approach to extract keywords from web snippet with utilizing the overlap principle, a concept to understand things with ambiguous, whereby features of person are generated for dealing with the variety of web, the web is steadily gaining ground in the semantic research.

연구 동기 및 목표

• Semantic Web 및 정보 검색 맥락에서 다의어 인명을 의미 분리하는 데 도전하는 데 목적이 있다.
• 다의어성과 동의어성에도 불구하고 사람의 진짜 신원을 반영하는 의미 있는 키워드를 웹 스니펫에서 추출하는 데 목적이 있다.
• 용어 집합의 교차를 이용하여 다의어 이름과 후보 참조 대상 간의 공통 특징을 식별하기 위해 오버랩 원리를 적용하는 데 목적이 있다.
• 검색 결과에서 유도된 동적이고 맥락 민감한 키워드를 활용하여 이름 의미 분리 성능을 향상시키는 데 목적이 있다.
• 실세계 인명 참조 데이터셋을 사용하여 재현율, 정밀도 및 F-측도를 기준으로 방법을 평가하는 데 목적이 있다.

제안 방법

• 다의어 이름을 웹 스니펫 집합 내의 용어로 모델링하고, 오버랩 원리를 사용하여 후보 이름과 그 참조 대상 간의 공통 특징을 식별한다.
• 오버랩 원리의 두 조건을 정의한다: 용어 집합의 교차가 비어 있지 않으며, 올바른 참조 대상보다 잘못된 참조 대상보다 더 큰 오버랩이 존재해야 한다.
• 코로모고로프 복잡도 기반의 유사도 측정법을 적용한다: $sim(t_x,t_y) = \frac{\log(2|\Omega_x \cap \ [&Omega_y|)}{\log(|\Omega_x| + |\Omega_y|)}$.
• 검색 쿼리를 사용하여 웹 스니펫에서 키워드를 추출하고, 알려진 참조 대상 특징과의 오버랩을 기반으로 후보 용어를 순위 매긴다.
• 유사도 점수를 기반으로 동일한 사람을 가리키는 참조를 클러스터링하며, 클러스터는 수동으로 검증된다.
• 평가에는 표준 지표인 재현율, 정밀도 및 F-측도를 사용하며, 각 클러스터별로 계산하고 모든 참조에 걸쳐 평균화된다.

실험 결과

연구 질문

• RQ1 오버랩 원리는 다의어 이름의 웹 스니펫에서 의미 분리 키워드를 어떻게 추출할 수 있는가?
• RQ2 용어 집합 오버랩 기반의 키워드 추출은 이름 의미 분리 성능을 얼마나 향상시키는가?
• RQ3 집합 교차를 기반으로 한 유사도 측정법은 올바른 참조와 잘못된 참조를 효과적으로 구분할 수 있는가?
• RQ4 다양한 키워드에서 재현율과 정밀도는 의미 분리 과정에서 어떻게 변화하는가?
• RQ5 실세계 인명 의미 분리 작업에서 제안된 방법의 총합 F-측도는 얼마인가?

주요 결과

• 모든 키워드를 조합했을 때 평균 F-측도가 0.36를 기록하여, 의미 분리에서 중간 수준의 전반적 성능을 보였다.
• 재현율이 가장 높았던 키워드 'science'는 0.46이었지만, 정밀도는 0.10으로 낮아 많은 가짜 양성 결과가 있었다.
• 정밀도가 가장 높았던 키워드 'computer'는 0.40이었지만, 재현율은 0.23에 그쳐 정밀도와 재현율 간의 트레이드오프가 드러났다.
• 키워드 'Malaysia'는 재현율 0.40과 정밀도 0.20로 균형 잡힌 성능을 보이며 F-측도 0.27를 기록했다.
• 모든 키워드의 조합이 가장 높은 총합 F-측도 0.36를 기록하여, 키워드 융합이 의미 분리 정확도를 향상시킨다는 점을 시사했다.
• 이 방법은 웹 스니펫에서 오버랩 기반의 키워드 추출이 다의어 이름 의미 분리에 효과적으로 기여할 수 있음을 입증하며, 특히 다수의 키워드를 융합할 경우에 특히 유용하다.