[論文レビュー] It Runs in the Family: Searching for Similar Names using Digitized Family Trees.

Aviad Elyashar, Rami Puzis+1 more|arXiv (Cornell University)|Dec 9, 2019

Natural Language Processing Techniques被引用数 2

ひとこと要約

本稿では、1,700万件のデジタル化された先祖の家系図データを活用して、名前の同義語候補を優れた精度で提示するグラフベースのアルゴリズム、GRAFTを提案する。1,700万件の家系図プロファイルから名前の類似性グラフを構築し、一般的な順序関数を適用することで、発音的・文字列マッチング・機械学習手法を凌駕する精度で、与えられた名前の同義語候補を、与えられた名前の名前と姓の両方に対して提示する。

ABSTRACT

Searching for a person's name is a common online activity. However, Web search engines provide few accurate results to queries containing names. In contrast to a general text which has only one correct spelling, there are several legitimate spellings of a given name. Today, most techniques used to suggest synonyms in online search are based on pattern matching and phonetic encoding, however, they frequently have poor performance. As a result, there is a need for an effective tool for improved synonym suggestion. In this paper, we propose a revolutionary approach for tackling the problem of synonym suggestion. Our novel algorithm titled GRAFT utilizes historical data collected from genealogy websites, along with network algorithms. This is a general algorithm that suggests synonyms based on the construction of a graph-based on names derived from generated digitized ancestral family trees. Synonyms are extracted from this graph constructed using generic ordering functions that outperform other algorithms that suggest synonyms based on a single dimension, a factor that limits their performance. We evaluated GRAFT's performance on forenames and surnames, including the utilization of a large-scale online genealogy dataset with over 17 million profiles and more than 200,000 unique forenames and surnames. For comparison, we compared its performance at suggesting synonyms to nine algorithms, including phonetic encoding, string similarity algorithms, and machine and deep learning techniques. The results show that GRAFT found superior to the evaluated algorithms with respect to both forenames and surnames and demonstrate its use as a tool to improve synonym suggestion.

研究の動機と目的

• Web検索における複数の正当な表記法による名前の同義語候補の不正確さという課題に対処すること。
• 発音表記や文字列類似度といった一次元的手法に依存する既存の同義語候補技術の改善に向けた取り組み。
• 歴史的な名前データをデジタル化された家系図から活用し、より洗練された同義語発見を実現する汎用アルゴリズムの開発。
• 提案手法の性能を、姓と名の両方で広範な既存アルゴリズムと比較して評価すること。
• 大規模な家系図データを用いたグラフベースの名前類似性モデリングの有効性を実証すること。

提案手法

• GRAFTは、名前をノードとし、大規模な家系図データセットからの先祖の家系図における共起関係をエッジとするグラフを構築する。
• アルゴリズムは、名前のグラフ内の構造的・関係的パターンに基づいて、同義語候補をランク付け・抽出するための一般的な順序関数を適用する。
• 1,700万件を超えるプロファイルからの歴史的名前データを用いて、名前の共起頻度を導出し、意味的または綴りの類似性を推定する。
• 本手法は、単純な発音的または文字列レベルのマッチングを超えた名前の関係性をモデル化するためのネットワークアルゴリズムを統合する。
• 生成されたグラフ内の局所的およびグローバルな名前の接続性パターンを分析することで、同義語候補を生成する。
• 多様なデータセット（20万件を超える固有の名前と姓を含む）を用いて評価することで、幅広い適用性を確保する。

実験結果

リサーチクエスチョン

• RQ1 家系図データを活用するグラフベースのアプローチは、従来の発音的・文字列類似度手法を上回る名前の同義語候補の精度を達成できるか？
• RQ2 大規模な歴史的名前データを用いた場合、GRAFTは名前と姓の両方の同義語候補に対してどの程度効果的か？
• RQ3 名前のグラフに一般的な順序関数を適用することで、一次元的手法に比べて同義語候補の精度はどの程度向上するか？
• RQ4 先祖の家系図データを活用することで、同義語推薦の正確性と多様性は向上するか？
• RQ5 最新の機械学習およびディープラーニングモデルと比較して、GRAFTは同義語候補タスクにおいてどの程度の性能を示すか？

主な発見

• GRAFTは、発音表記、文字列類似度、機械学習技術を含む9つのベンチマークアルゴリズムを大きく上回り、名前と姓の両方の同義語候補提示において顕著な性能向上を達成した。
• 本手法は、一次元的な特徴に限定された手法とは異なり、グラフ構造を通じて多次元的な名前の関係性を捉えることで優れた性能を発揮した。
• 1,700万件の家系図プロファイルの活用により、名前の変種や共起関係の強固なモデリングが可能となり、同義語検出の正確性が向上した。
• 名前のグラフに適用された一般的な順序関数は、一次元的手法よりも、正当な名前の変種を特定する上でより効果的であることが判明した。
• GRAFTは、多様な名前の種別や綴りのバリエーションにわたり、一貫的かつ測定可能な同義語候補の質の向上を示した。
• 結果から、歴史的な家系図データは、名前の同義語推薦システムの改善に向け、豊富で未利用のリソースであることが確認された。