[論文レビュー] Content-based Text Categorization using Wikitology

Muhammad Rafi, Sundus Hassan+1 more|arXiv (Cornell University)|Aug 17, 2012

Text and Document Classification Technologies参考文献 14被引用数 15

ひとこと要約

本稿では、Wikitology（トピックマップベースの知識表現システム）を用いたコンテンツベースのテキスト分類のための意味的類似度測定法を提案する。ドキュメントをトピックマップに変換し、共通パターン相関を用いて類似度を計算することで、ベンチマークデータセットにおけるテキストクラスタリング効果が、従来のベクトルベースのモデルを上回ることを示した。

ABSTRACT

A major computational burden, while performing document clustering, is the calculation of similarity measure between a pair of documents. Similarity measure is a function that assign a real number between 0 and 1 to a pair of documents, depending upon the degree of similarity between them. A value of zero means that the documents are completely dissimilar whereas a value of one indicates that the documents are practically identical. Traditionally, vector-based models have been used for computing the document similarity. The vector-based models represent several features present in documents. These approaches to similarity measures, in general, cannot account for the semantics of the document. Documents written in human languages contain contexts and the words used to describe these contexts are generally semantically related. Motivated by this fact, many researchers have proposed semantic-based similarity measures by utilizing text annotation through external thesauruses like WordNet (a lexical database). In this paper, we define a semantic similarity measure based on documents represented in topic maps. Topic maps are rapidly becoming an industrial standard for knowledge representation with a focus for later search and extraction. The documents are transformed into a topic map based coded knowledge and the similarity between a pair of documents is represented as a correlation between the common patterns. The experimental studies on the text mining datasets reveal that this new similarity measure is more effective as compared to commonly used similarity measures in text clustering.

研究の動機と目的

• ドキュメント間の意味的関係を捉えることにおけるベクトルベースのモデルの限界を解決すること。
• ドキュメントクラスタリングにおける類似度計算の計算負荷を軽減すること。
• 意味的類似度のための構造的知識表現としてのトピックマップの利用を検討すること。
• 外部知識ソースからの文脈的および意味的関係を組み込むことで、テキストクラスタリングのパフォーマンスを向上させること。
• トピックマップ内の共通パターンに基づく新しい類似度測定法の有効性を示すこと。

提案手法

• Wikitologyを用いて、意味的トピックと関係を抽出・整理することで、ドキュメントをトピックマップに変換する。
• エンティティとその関係を明示的にモデル化した構造的知識グラフとして各ドキュメントを表現する。
• ドキュメント間の類似度を、ドキュメント間で共通するパターン（繰り返し現れるトピック構造）の相関として計算する。
• トピックマップベースの表現を活用し、語彙的重複を超えた意味的関係を捉える。
• パターンマッチングと構造的類似度を用いて、ドキュメント間の意味的整合性の度合いを定量化する。
• 提案された類似度測定法をテキストクラスタリングパイプラインに適用し、標準的なテキストマイニングデータセットでのパフォーマンスを評価する。

実験結果

リサーチクエスチョン

• RQ1 従来のベクトルモデルと比較して、トピックマップベースの表現は、テキスト分類における意味的類似度測定をどのように改善するか？
• RQ2 トピックマップ内の共通パターンの相関は、どのように意味的に意味のある形でドキュメント類似度を反映するか？
• RQ3 提案手法は、ドキュメントクラスタリングにおける類似度計算の計算負荷をどの程度軽減するか？
• RQ4 知識表現にWikitologyを用いることで、ベンチマークデータセットにおけるクラスタリング精度が向上するか？
• RQ5 意味的類似度測定法は、コサイン類似度やWordNetベースのアプローチといった既存手法と比べてどのように差をつけるか？

主な発見

• 提案されたトピックマップベースの類似度測定法は、従来のベクトルベースのモデルと比較して、テキストクラスタリングにおいて優れたパフォーマンスを示した。
• Wikitologyからの構造的知識を活用することで、ドキュメント間の意味的関係を効果的に捉えることができた。
• テキストマイニングデータセットにおける実験結果から、新しい類似度測定法を用いることでクラスタリング精度が向上した。
• 語彙的マッチングへの依存を減らすために、意味的パターンと構造的相関に重点を置いた。
• トピックマップ内の共通パターンの相関は、ドキュメント類似度の強固な指標であることが示された。
• 本研究では、トピックマップが意味的テキスト分類のためのスケーラブルで効果的なフレームワークを提供することを確認した。