[論文レビュー] Multilingual Medical Documents Classification Based on MesH Domain Ontology

Zakaria Elberrichi, Malika Taibi+1 more|arXiv (Cornell University)|Jun 21, 2012

Text and Document Classification Technologies参考文献 6被引用数 9

ひとこと要約

本稿では、MeSHドメインオントロジーを用いた多言語医療文書分類システムを提案する。概念ベースの文書表現と、2つの異なる手法を用いる。1つはオントロジーを単言語として扱うもので、もう1つは多言語として扱うものである。言語検出後に多言語用語を英語MeSH概念にマッピングすることで、Ohsumedコーパス上で有望な分類性能を達成し、生物学的医療分野における多言語間でのオントロジー駆動型意味的分類の実現可能性を示した。

ABSTRACT

This article deals with the semantic Web and ontologies. It addresses the issue of the classification of multilingual Web documents, based on domain ontology. The objective is being able, using a model, to classify documents in different languages. We will try to solve this problematic using two different approaches. The two approaches will have two elementary stages: the creation of the model using machine learning algorithms on a labeled corpus, then the classification of documents after detecting their languages and mapping their terms into the concepts of the language of reference (English). But each one will deal with the multilingualism with a different approach. One supposes the ontology is monolingual, whereas the other considers it multilingual. To show the feasibility and the importance of our work, we implemented it on a domain that attracts nowadays a lot of attention from the data mining community: the biomedical domain. The selected documents are from the biomedical benchmark corpus Ohsumed, and the associated ontology is the thesaurus MeSH (Medical Subject Headings). The main idea in our work is a new document representation, the masterpiece of all good classification, based on concept. The experimental results show that the recommended ideas are promising.

研究の動機と目的

• 意味的オントロジーを用いた多言語医療文書分類の課題に対処すること。
• 単一言語のオントロジーに跨る語のマッピングと多言語オントロジー統合の2つの異なる多言語化アプローチを検討すること。
• MeSHを用いてキーワードベースの表現から概念レベルの表現に置き換えることで、文書分類の正確性を向上させること。
• 標準化されたオントロジー（MeSH）を用いた実世界の生物医学ベンチマークコーパス（Ohsumed）で、このアプローチを検証すること。
• オントロジー駆動型意味的分類が多言語医療情報検索において実現可能で効果的であることを示すこと。

提案手法

• まず、各文書の言語を特定するために言語検出が実施される。
• 多言語文書からの用語は、基準言語である英語のMeSH概念にマッピングされる。
• 用語をその対応するMeSH概念に置き換えることで、概念ベースの文書表現が構築される。
• ラベル付きコーパスを用いて、概念表現された文書を用いて機械学習モデルを訓練する。
• 2つのアプローチを実装する：1つは単語語彙のMeSHオントロジーに跨る語のマッピングを用いるもので、もう1つは多言語MeSHバージョンを用いるものである。
• 概念埋め込み文書ベクトルを用いて、標準的な学習アルゴリズムで分類が実行される。

実験結果

リサーチクエスチョン

• RQ1 英語を基準言語とする単一のオントロジーを用いて、語から概念へのマッピングによって多言語医療文書を効果的に分類できるか？
• RQ2 多言語MeSHオントロジーを用いる場合と単語語彙のMeSHオントロジーを用いる場合とを比較した場合、言語間での分類性能にどのような差が生じるか？
• RQ3 多言語医療分野において、キーワードベースの手法と比較して、概念ベースの文書表現が分類精度をどの程度向上させるか？
• RQ4 提案手法は、実世界の多言語医療文書コレクションに対してスケーラブルで実現可能か？

主な発見

• キーワードベースの手法と比較して、概念ベースの表現は文書分類性能を顕著に向上させる。
• 単語語彙のMeSHオントロジーに跨る語のマッピングを用いたアプローチは、Ohsumedコーパスで優れた分類結果を達成した。
• 標準化されたオントロジーへの意味的整合性を用いることで、多言語医療文書の処理の実現可能性が示された。
• 実験結果から、オントロジー駆動型意味的表現が多言語医療文書分類において有望なアプローチであることが確認された。