[論文レビュー] A Corpus Study and Annotation Schema for Named Entity Recognition and Relation Extraction of Business Products

Saskia Schön, Veselina Mironova+2 more|arXiv (Cornell University)|Apr 7, 2020

Topic Modeling参考文献 14被引用数 6

ひとこと要約

本稿では、ビジネスツービジネス（B2B）製品およびその生産者に対する名前付きエンティティ認識（NER）と関係抽出のための新しいアノテーションスキーマと、初期の英語コーパスを紹介する。ノイズの多い製品表記を収集するためのブートストラップアプローチを用い、製品エンティティおよびCompanyProvidesProduct関係のアノテーションに関する詳細なガイドラインを開発した。これにより、152ドキュメント、379件のアノテート済み関係を含むコーパスが構築され、産業分野の情報抽出のためのトレーニングデータにおける重要な空白を埋めることに貢献する。

ABSTRACT

Recognizing non-standard entity types and relations, such as B2B products, product classes and their producers, in news and forum texts is important in application areas such as supply chain monitoring and market research. However, there is a decided lack of annotated corpora and annotation guidelines in this domain. In this work, we present a corpus study, an annotation schema and associated guidelines, for the annotation of product entity and company-product relation mentions. We find that although product mentions are often realized as noun phrases, defining their exact extent is difficult due to high boundary ambiguity and the broad syntactic and semantic variety of their surface realizations. We also describe our ongoing annotation effort, and present a preliminary corpus of English web and social media documents annotated according to the proposed guidelines.

研究の動機と目的

• ジャーナリスティックでないテキストにおけるビジネス製品エンティティおよび会社-製品関係の公開可能なアノテートコーパスの不足に対処すること。
• 文法的・意味的変異を含む製品表記の言語的複雑性を捉えることができる詳細なアノテーションスキーマの開発。
• 製品エンティティおよびCompanyProvidesProduct関係のための、英語のウェブおよびソーシャルメディアテキストからの初期手動アノテーションコーパスの構築。
• より良いトレーニングデータを通じて、サプライチェーン監視および市場調査のための信頼性の高いNLPシステムの開発を支援すること。
• 非消費者向け産業製品タイプおよびその生産者に対する、より正確で細分化された情報抽出を可能にすること。

提案手法

• ウェブおよびソーシャルメディアテキストからノイズの多い製品表記を抽出するために、手動で定義された語彙的パターンを用いたブートストラップアプローチ。
• 文法的・意味的変異を考慮した詳細なスキーマを用いて、製品エンティティおよびCompanyProvidesProduct関係の手動アノテーション。
• Reconアノテーションツールの使用により、テキストスパンをエンティティとしてマークし、n-ary関係を生成し、意味的役割を割り当てる。
• コアリファレンス解決を適用して、完全な会社名とその略語を別個のエンティティとして扱い、同一性関係でリンクする。
• 同じ関係インスタンスに対して複数のトリガー（例：'developer'、'manufacturer'、'vendor'）が存在する場合、複数の関係表記を作成する。
• 構造化されたメタデータを備えた152ドキュメントから構成されるコーパスを構築し、AVRO形式で保存。スキーマとリーダーツールを併記。

実験結果

リサーチクエスチョン

• RQ1 B2B文脈における製品表記は、文法的および意味的形態においてどのように変動するか。また、境界検出にどのような課題をもたらすか。
• RQ2 非構造化ウェブおよびソーシャルメディアテキストにおける製品エンティティおよび会社-製品関係を信頼性高く捉えるために、どのようなアノテーションガイドラインが必要か。
• RQ3 同じ関係に対して複数のトリガー（例：'produced by'、'manufactured by'）が存在する場合、どのように体系的にアノテートできるか。
• RQ4 産業製品エンティティおよび関係の手動アノテーションコーパス作成の実現可能性と品質はどの程度か。
• RQ5 Freebase や DBpedia などの既存の知識ベースは、CompanyProvidesProduct 関係をどの程度カバーしているか。また、それらの制限は何か。

主な発見

• 製品表記はしばしば一般名詞句として現れ、文法的・意味的変異が顕著であり、境界の曖昧さが顕著に現れる。
• 前置詞句や同位語句などの余分な要素が製品表記内に頻繁に含まれ、正確なスパン検出を複雑にする。
• アノテーションスキーマは、完全な会社名と略語のコアリファレンス、および同じ関係インスタンスに対する複数のトリガーを含む複雑なケースを効果的に処理している。
• 2,191件の会社表記、1,717件の製品表記、379件のCompanyProvidesProduct関係表記を含む152ドキュメントの初期コーパスが構築された。
• コーパスは、スキーマとリーダーツールを併記したAVRO形式でリリースされており、再現性およびNLPパイプラインへの統合を支援する。
• 最終リリースではアノテーター間整合性スコアが報告されるが、現時点のバージョンではまだ入手可能ではない。