[论文解读] Keyphrase Annotation with Graph Co-Ranking

Adrien Bougouin, Florian Boudin+1 more|arXiv (Cornell University)|Nov 7, 2016

Advanced Text Analysis Techniques参考文献 20被引用 11

一句话总结

本文提出 TopicCoRank，一种图共排名方法，通过整合文档主题图与受控关键词图，联合执行关键词提取与分配。通过利用文档内容与领域特定词汇之间的相互增强，该方法在三个人文学科和社会科学领域中，相对于最先进提取与分配方法均实现了统计上显著的性能提升。

ABSTRACT

Keyphrase annotation is the task of identifying textual units that represent the main content of a document. Keyphrase annotation is either carried out by extracting the most important phrases from a document, keyphrase extraction, or by assigning entries from a controlled domain-specific vocabulary, keyphrase assignment. Assignment methods are generally more reliable. They provide better-formed keyphrases, as well as keyphrases that do not occur in the document. But they are often silent on the contrary of extraction methods that do not depend on manually built resources. This paper proposes a new method to perform both keyphrase extraction and keyphrase assignment in an integrated and mutual reinforcing manner. Experiments have been carried out on datasets covering different domains of humanities and social sciences. They show statistically significant improvements compared to both keyphrase extraction and keyphrase assignment state-of-the art methods.

研究动机与目标

• 通过整合两种方法，解决独立关键词提取与分配方法的局限性。
• 模拟专业索引人员在关键词标注中结合内容提取与领域知识的做法。
• 在提升关键词质量与覆盖度的同时，减少对人工构建受控词表的依赖。
• 通过利用训练数据中的关系，生成文档中未明确提及但结构良好的关键词。
• 开发一个统一框架，通过在两个相互关联的图上进行共排名，同时提升关键词提取与分配性能。

提出的方法

• 使用从 LDA 提取的主题表示构建文档图，其中节点代表主题，边反映主题共现或相似性。
• 从训练数据中的参考关键词构建受控关键词图，其中节点为关键词，边表示共现或语义相似性。
• 将两个图整合为一个统一网络，其中主题节点与关键词节点根据其在训练文档中的共现关系相连。
• 应用一种共排名算法，通过修改的随机游走（阻尼因子为 λ）在两个图之间传播重要性得分。
• 通过组合排名，从主题与关键词两部分中选择得分最高的节点，生成最终关键词。
• 通过超参数 λk 控制文档驱动提取与领域驱动分配之间的平衡，该参数用于加权受控关键词图的贡献。

实验结果

研究问题

• RQ1 联合建模关键词提取与分配是否能超越孤立方法的性能？
• RQ2 引入领域特定的受控关键词如何影响提取关键词的质量与覆盖度？
• RQ3 训练数据中关键词之间的关系在多大程度上可替代人工构建的受控词表？
• RQ4 在共排名框架中，文档内容与领域知识的最优平衡是什么？
• RQ5 共排名能否有效检索出文档中未明确提及但语义相关的关键词？

主要发现

• TopicCoRank 在三个领域（语言学、信息科学、考古学）中均显著优于当前最先进提取方法（TopicRank）与分配方法（KEA++）。
• 在语言学数据集上，TopicCoRank 在最优 λk 设置下达到 60.1% 的 F1 分数，超过 TopicRank（45.3%）与 KEA++（54.2%）。
• 该方法通过受控关键词图中的语义链接，成功检索出文档中未出现的关键词，如“French”、“syntax”与“distributional analysis”。
• 消融实验表明，λk 控制提取与分配之间的权衡：当 λk = 0 时，性能与 TopicRank 一致；当 λk = 1 时，性能收敛至该领域最频繁的关键词。
• 定性分析表明，TopicCoRank 即使关键词未在文本中直接共现，也能通过主题传播识别出相关关键词，如“verb”与“semantic interpretation”。
• 共排名机制实现相互增强：主题因关键词而获得重要性，关键词因主题上下文而获得相关性，从而整体提升召回率与精确率。