[論文レビュー] Cognitive Systems and Question Answering

Ulrich Furbach, Claudia Schon+1 more|arXiv (Cornell University)|Nov 18, 2014

Natural Language Processing Techniques参考文献 11被引用数 3

ひとこと要約

本論文では、自然言語処理、情報検索、機械学習、自動定理証明を統合して複雑な自然言語の質問に答えられる認知コンピューティング型質問応答システムであるLogAnswerを提示する。質問とWikipediaのコンテンツを一階論理に翻訳し、クエリの緩和と信頼性ランク付けを用いたHyper定理証明者を用いることで、大規模な知識ベースから正確で時間的にも効率的な答えを得ることができ、認知コンピューティングシステムの強固なフレームワークを示している。

ABSTRACT

This paper briefly characterizes the field of cognitive computing. As an exemplification, the field of natural language question answering is introduced together with its specific challenges. A possibility to master these challenges is illustrated by a detailed presentation of the LogAnswer system, which is a successful representative of the field of natural language question answering.

研究の動機と目的

• 認知コンピューティングの原則が自然言語質問応答にどのように適用できるかを示すこと。
• 複数の推論メカニズムを統合した堅牢なQAの代表的システムとしてLogAnswerを提示すること。
• 多様な知識ソースを用いて、時間制約のもとで複雑な自然言語の質問に答えるという課題に取り組むこと。
• 機械学習によるランク付けにより、答えの信頼性に関する自己認識を可能にすることで、システムの信頼性を向上させること。
• 人間のような推論を可能にする合理的な推論能力（義務論理や退行的論理を含む）を拡張し、論理的QAフレームワークに統合すること。

提案手法

• LogAnswerは、ユーザーの質問を意味的ネットワーク（MultiNet）および一階論理（FOL）表現に翻訳する。
• 情報検索と言語的特徴（例：語彙一致、固有表現）を用いて、ドイツ語Wikipediaから最大200件の候補となる本文をランク付けして抽出する。
• 機械学習アルゴリズムが言語的および検索特徴に基づいてこれらの候補をランク付けし、答えの可能性が高い本文を優先する。
• Hyper定理証明者が、クエリ、候補となる本文、および背景知識（12,000個の論理的事実）に対して自動的推論を実行し、論理的証明を求める。
• 証明が時間制限内に失敗した場合には、クエリの緩和技術を適用し、部分的な目標を弱めることで、タイムリーな答えの発見確率を高める。
• 信頼性が最も高い上位3つの証明が自然言語の答えに再翻訳され、機械学習により信頼性スコアが付与される。

実験結果

リサーチクエスチョン

• RQ1 認知コンピューティングシステムは、複数の知識形式と推論メカニズムを効果的に統合して自然言語質問応答を実現できるか？
• RQ2 大規模な知識ベースを処理する中で、厳密な時間制約のもとでも高いパフォーマンスを維持できる質問応答システムはどのように設計できるか？
• RQ3 自動定理証明とクエリの緩和技術は、不完全またはノイズの多い知識環境において、答えの検索をどの程度改善できるか？
• RQ4 システムが自身の答えに対する信頼性を自己認識できるように設計することで、信頼性の高い出力ランク付けが可能になるか？
• RQ5 義務論理や退行的論理のような合理的かつ人間らしい推論が、論理的QAフレームワークにどのように統合できるか？

主な発見

• LogAnswerは、自然言語処理、情報検索、一階論理における自動証明を統合することで、複雑な自然言語の質問に成功して答えている。
• 2910万文の知識ベースから200件の候補本文に限定して特徴ベースのランク付けを用いることで、厳密な時間制限内に質問を処理している。
• クエリの緩和技術を用いることで、知識が不完全または一貫性がない状況でも、答えを発見する可能性が著しく高まる。
• 証明のランク付けに機械学習を用いることで、システムは信頼性スコアを付与でき、ユーザーに信頼性が最も高い上位3つの答えを提示できるようになった。
• ドイツ語Wikipediaから得た背景知識（12,000個の論理的事実）と意味的ネットワークの統合により、推論の正確性とカバー範囲が向上した。
• 本システムは、マルチモーダルな知識処理、リアルタイム推論、自己認識といった認知コンピューティングの原則が、QAフレームワークにおいて実用的に実装可能であることを示している。