[論文レビュー] Content Selection in Data-to-Text Systems: A Survey

Dimitra Gkatzia|arXiv (Cornell University)|Oct 26, 2016

Web Data Mining and Analysis参考文献 71被引用数 7

ひとこと要約

本調査は、センサー、天候、株式市場データなどの時系列データを対象として、データから文章へのシステムにおけるコンテンツ選択について包括的な概要を提供する。ルールベース手法とトレーニング可能な（統計的／機械学習）手法を比較評価し、ドメインの規模、データの可用性、ユーザーのニーズに基づいてその強み、限界、適性を強調する。また、適応的でマルチモーダルかつ不確実性を考慮したNLGシステムのための意思決定フレームワークと今後の研究方向性を提示する。

ABSTRACT

Data-to-text systems are powerful in generating reports from data automatically and thus they simplify the presentation of complex data. Rather than presenting data using visualisation techniques, data-to-text systems use natural (human) language, which is the most common way for human-human communication. In addition, data-to-text systems can adapt their output content to users' preferences, background or interests and therefore they can be pleasant for users to interact with. Content selection is an important part of every data-to-text system, because it is the module that determines which from the available information should be conveyed to the user. This survey initially introduces the field of data-to-text generation, describes the general data-to-text system architecture and then it reviews the state-of-the-art content selection methods. Finally, it provides recommendations for choosing an approach and discusses opportunities for future research.

研究の動機と目的

• 時系列データ、特にセンサー、天候、株式市場データに対して、データから文章生成におけるコンテンツ選択手法について統一的かつ最新のレビューを提供すること。
• 複雑でドメイン特化されたデータから、どの情報を要約文に含めるべきかを決定するという課題に対処すること。
• ドメインの規模、データの可用性、システムの目的に基づいて、適切なコンテンツ選択アプローチの選定を研究者および実務家にガイドすること。
• 適応的でマルチモーダルかつ不確実性を考慮したNLGシステムにおける未解決の研究課題を特定すること。
• 計算言語学、AI、データマイニングの分野における多様な文献を理解するための、初心者から経験者までの支援を提供すること。

提案手法

• コンテンツ選択手法を主に二つのカテゴリに分類する：ルールベースシステムとトレーニング可能な（統計的／機械学習）アプローチ。
• 手作業で作成されたルールに依存するコンテンツ選択のためのルールベースシステムを分析し、その堅牢性とドメイン特化性を強調する。
• アノテート済みコーパスからコンテンツ選択を学習するトレーニング可能な手法をレビューし、スケーラビリティと専門知識の必要性の低減を強調する。
• ドメインの規模、データの可用性、評価のニーズに関するコアな質問を含む意思決定フレームワークを提案し、アプローチ選定を支援する。
• NLGシステムにおけるユーザーの好みや適応性の統合について議論し、ユーザー中心設計の重要性を強調する。
• テキストと視覚的データを組み合わせたマルチモーダルアプローチを検討し、NLGにおけるトランスファーラーニングと不確実性モデリングの可能性を検討する。

実験結果

リサーチクエスチョン

• RQ1 ルールベース手法とトレーニング可能な手法の間には、データから文章へのシステムにおけるコンテンツ選択において、どのような主な違いとトレードオフがあるか？
• RQ2 ユーザーの好み、背景、関心に応じて、データから文章生成におけるコンテンツ選択をどのように適応可能にすることができるか？
• RQ3 特に人間のユーザーを含む状況において、データから文章へのシステムにおけるコンテンツ選択の評価に最も効果的な戦略は何か？
• RQ4 コンテンツ選択モデルをドメイン間でどのように移行させたり、新しい言語に適応させたりできるか？
• RQ5 テキストと視覚的情報を統合することで、データ要約の質を向上させるにあたり、どのような課題と機会があるか？

主な発見

• ルールベースのコンテンツ選択システムは、小規模で明確に定義されたドメインでは堅牢で解釈可能であるが、構築に費用がかかり、ドメイン間での移行が困難である。
• トレーニング可能なアプローチはスケーラビリティ、再利用性、開発コストの低減を実現するが、大規模で高品質な訓練データを必要とし、データが不足していると一貫性のないコンテンツを生成するリスクがある。
• コンテンツ選択は本質的にドメイン依存であるため、汎用モデルの実現は依然として課題であるが、トランスファーラーニングが有望な道筋を示している。
• テキストと視覚的情報（例：グラフ）を組み合わせたマルチモーダルシステムは、単一モーダルシステムよりも意思決定の効果性が向上し、ハイブリッドNLGシステムの強い可能性を示唆している。
• ファイナンスや天候などの分野で一般的な不確実なデータを扱うための方法の需要が高まっており、生成された文章で不確実性を効果的に伝えることが不可欠である。
• 可能な限り実際のユーザーを評価に含めるべきであり、アプローチの選定はシステムの目的、ドメイン、利用可能な知識源と整合している必要がある。