[論文レビュー] JRC EuroVoc Indexer JEX - A freely available multi-label categorisation tool

Ralf Steinberger, Mohamed Ebrahim+1 more|arXiv (Cornell University)|Sep 20, 2013

Text and Document Classification Technologies参考文献 14被引用数 26

ひとこと要約

JEX は、22か国語の公式言語で、EU文書の EuroVoc ディスクリプターの自動割り当てを目的として、JRC が開発した無料のマルチラベル分類ツールである。これは手動でラベル付けされたデータを用いた教師あり機械学習を採用しており、インタラクティブモードと完全自動モードの両方をサポートしており、言語に依存しない特徴ベクトルを出力する。この特徴ベクトルは、クラスタリングや改ざん検出などの多言語 NLP タスクに有用である。

ABSTRACT

EuroVoc (2012) is a highly multilingual thesaurus consisting of over 6,700 hierarchically organised subject domains used by European Institutions and many authorities in Member States of the European Union (EU) for the classification and retrieval of official documents. JEX is JRC-developed multi-label classification software that learns from manually labelled data to automatically assign EuroVoc descriptors to new documents in a profile-based category-ranking task. The JEX release consists of trained classifiers for 22 official EU languages, of parallel training data in the same languages, of an interface that allows viewing and amending the assignment results, and of a module that allows users to re-train the tool on their own document collections. JEX allows advanced users to change the document representation so as to possibly improve the categorisation result through linguistic pre-processing. JEX can be used as a tool for interactive EuroVoc descriptor assignment to increase speed and consistency of the human categorisation process, or it can be used fully automatically. The output of JEX is a language-independent EuroVoc feature vector lending itself also as input to various other Language Technology tasks, including cross-lingual clustering and classification, cross-lingual plagiarism detection, sentence selection and ranking, and more.

研究の動機と目的

• 公式 EU 文書の主題インデクシングを、EuroVoc テーザウルスを用いてスケーラブルかつ多言語対応で自動化するツールの開発。
• マシン支援ラベリングによる人間による文書分類の一貫性と効率の向上。
• 言語に依存しない特徴ベクトルを介して、分類出力を多様な言語処理アプリケーションへの再利用を可能にする。
• 再トレーニング可能なシステムを提供し、カスタム文書コレクションおよび言語処理の事前処理を用いたパフォーマンスチューニングを可能にする。
• 多言語環境におけるインタラクティブおよび完全自動分類ワークフローの両方をサポートする。

提案手法

• JEX は、EuroVoc テーザウルスからの手動ラベル付け済みの文書-ディスクリプター対を用いてトレーニングされた教師ありマルチラベル分類を採用している。
• 関連性を優先するプロファイルベースのカテゴリーランキング手法を用いて、1件の文書に対して複数の EuroVoc ディスクリプターを割り当てている。
• 22か国のEU公式言語のための並列単語語彙データを用いてトレーニングされた言語固有の分類器を含む。
• ユーザーインターフェースにより、自動的に割り当てられたディスクリプターの表示、確認、編集が可能となり、人間が関与するフィードバックループを実現している。
• 再トレーニングモジュールにより、ユーザーがカスタムトレーニングデータを用いて新しい文書コレクションに分類器を適応させることができる。
• ユーザーは文書表現を言語処理の事前処理（例：トークン化、語形還元）で変更することで、分類精度の向上が可能である。

実験結果

リサーチクエスチョン

• RQ1 22か国のヨーロッパ言語で、マルチラベル分類システムが複数の EuroVoc ディスクリプターを効果的に文書に割り当てられるか。
• RQ2 JEX のパフォーマンスは、手動分類と比較して、処理速度と一貫性の面で優れているか。
• RQ3 JEX が生成する言語に依存しない特徴ベクトルが、下流の多言語 NLP タスクをどの程度サポートできるか。
• RQ4 再トレーニングモジュールは、ドメイン特化した文書コレクションにシステムを適応させるためにどの程度効果的か。
• RQ5 言語処理の事前処理は、JEX におけるディスクリプター割り当ての品質にどのような影響を与えるか。

主な発見

• JEX は、22か国語の公式 EU 言語の文書に対して、単一の統合フレームワークを用いて複数の EuroVoc ディスクリプターを効果的に割り当てている。
• マシン支援ラベリングにより、文書分類の一貫性が向上し、人的作業の負荷が軽減されている。
• 出力される特徴ベクトルは言語に依存せず、クラスタリングや文書ランク付けなどの多言語タスクへの入力として適している。
• ツールはインタラクティブおよび完全自動運用を両方サポートしており、生産環境での柔軟な展開が可能である。
• 再トレーニングモジュールにより、分類器のカスタマイズが可能となり、専門分野の文書コレクションへの適応性が向上している。
• 言語処理の事前処理オプションにより、ユーザーは文書表現を微調整し、分類パフォーマンスの向上が可能である。