一般社団法人 電子情報通信学会
THE INSTITUTE OF ELECTRONICS,
INFORMATION AND COMMUNICATION ENGINEERS
信学技報
IEICE Technical Report
日本語 WordNet 類義語の誤り検出
－コーパス利用の試み－
平尾
拓也†
宮田
光樹†
孝彦‡
鈴木
廣川
佐千男‡
†九州大学大学院システム情報科学府 〒819-0395 福岡市西区元岡 744 番地
‡九州大学情報基盤研究開発センター 〒812-8581 福岡県福岡市東区箱崎 6-10-1
E-mail: †{2ie14071e, 2ie13089s}@s.kyu-shu-u.ac.jp,
‡{hirokawa, suzuki}@cc.kyushu-u.ac.jp
あらまし 日本語 WordNet は自然言語処理において有用なツールであるが、5%の間違いが存在すると公式に認
められている。結果として、言語処理のデータベースとして信頼性の面に疑問が残る。本論文では、日本語 WordNet
内の間違いを抽出するいくつかの手法を提示する。
前半では日本語 WordNet それ単体のみを使用した手法を提示し、その結果を記述する。後半では日本語 WordNet
と、外部より準備したコーパスを使用し、構造上の間違いを抽出する手法を提示する。
キーワード
シソーラス,
WordNet,
日本語 WordNet,
Detection of Error Synonyms in Japanese WordNet
－A trial of using corpus－
Takuya HIRAO†
Kouki MIYATA†
Takahiko SUZUKI‡
Sachio HIROKAWA‡
†Kyushu University Graduate School of Information Science and Electrical Engineering
774, Motooka, Nishi-ku,
Fukuoka, 819-0395 Japan
‡Kyushu University Research Institute for Information Technology 6-10-1, Hakozaki, Higashi-ku, fukuoka, 812-8581
Japan
E-mail: †{2ie14071e, 2ie13089s}@s.kyu-shu-u.ac.jp, ‡{hirokawa, suzuki}@cc.kyushu-u.ac.jp
Abstract Lexical Database the Japanese WordNet is a useful tool in natural language processing. However, it is officially
announced that Japanese WordNet contains 5% errors. In this paper, we discuss error detection methods in the Japanese
WordNet.
キーワード
Thesaurus,
WordNet,
Japanese WordNet,
1. は じ め に
日 本 語 WordNet[1,2] は Princeton 大 学 が 開 発 し た
の発見を主眼にしており、この間違いのことを「類義
語の間違い」と呼んでいる。
WordNet[3]を 用 い た 言 語 デ ー タ ベ ー ス で あ る 。 日 本 語
WordNet は 自 然 言 語 処 理 に お い て 有 用 で あ り 、 様 々 な
英 語 で な い WordNet や WordNet に 似 た 言 語 デ ー タ ベ
実 験 に 使 用 さ れ て い る [4] 1 。 フ リ ー の Web シ ソ ー ラ ス
ースの作成という点において、複数のプロジェクトが
サ ー ビ ス に お い て 、日 本 語 WordNet は 一 般 的 に 使 用 さ
行 わ れ て い る 。 日 本 語 WordNet や Chinese Open
れ て い る 。し か し な が ら 、現 行 の 日 本 語 WordNet は 間
WordNet[5]は 、 ブ ー ト ス ト ラ ッ プ の 段 階 で 、 Princeton
違 い を 5%ほ ど 含 ん で い る と 作 成 者 ら が 認 め て お り [2]、
WordNet の マ ッ ピ ン グ 手 法 を 用 い て 半 自 動 生 成 さ れ て
そ れ ら の 間 違 い が 日 本 語 WordNet の 使 い や す さ に 影 響
いる。
を及ぼしている可能性がある。
ま た 、 Universal WordNet[6] や Babel Net[7] 、 Open
本 論 文 で は 、わ れ わ れ が 検 証 し た 日 本 語 WordNet の
Multilingual WordNet[8]と い っ た 、 WordNet の 拡 張 に よ
間違い探知手法において議論する。間違い探知は日本
る統合、多言語概念字句データベースの生成の試みも
語 WordNet の 間 違 い 修 正 の 第 一 段 階 で あ る 。こ の 手 法
なされている。概念と語句、または複数の概念間の関
は、大規模言語データベースの作成に有用であると考
係 は 、Wikipedia や タ グ 付 け コ ー パ ス の よ う な 様 々 な 資
え る 。我 々 は 特 に 日 本 語 WordNet の 似 た よ う な 間 違 い
源から自動的に抽出することが可能である。それらに
1
Weblio, http://ejje.weblio.jp
This article is a technical report without peer review, and its polished and/or extended version may be published elsewhere.
Copyright ©2014 by IEICE
よって得られた統合データベースの品質は、生成者自
ロジェクトの目的は、誰でも自由に使用可能な大規模
身や、ネットワークコミュニティによって評価されて
日本語データベースを提供することである。このデー
きた。
タ ベ ー ス は 2006 年 か ら 開 発 さ れ て い る 。
WordNet は 、 オ ン ト ロ ジ ー の ひ と つ と し て み な す こ
日 本 語 WordNet の 構 造 は 、Princeton WordNet に 準 拠
と が で き る 。多 言 語 WordNet を 生 成 す る 場 合 に は 、言
し て い る [1]。し か し 、日 本 語 と 英 語 と い う 言 語 の 違 い
語数に応じたオントロジー間のマッピングをする必要
が 存 在 す る た め 、日 本 語 WordNet は Princeton WordNet
がある。そのため、オントロジーの間違いの検出と修
に 含 ま れ て い な い オ リ ジ ナ ル の Synset を 含 ん で い る 。
正、オントロジー間のマッピングに関する研究がなさ
ま た 、日 本 語 WordNet は 、シ ソ ー ラ ス と し て の 精 度 よ
れてきた。これらの研究において、オントロジー内で
り多数の概念を包括することに主眼を置いている。
分類が間違っているものや、冗長もしくは 不適切であ
現 行 の 日 本 語 WordNet の 規 模 は 以 下 の と お り で あ る 。
る、または間違った関係性を生成されている箇所を修
・ 57,238 概 念 （ Synset 数 ）
正する試みがなされてきた。
・ 93,834 語 （ 日 本 語 ）
・ 158,058 語 義 （ 単 語 -synset ペ ア 数 ）
間 違 い 検 出 の 手 法 と し て 、日 本 語 WordNet の み を 使
用した手法を動詞に適用した場合をベースラインとし
て 提 示 す る [9]。ま た 、コ ー パ ス を 用 い た 単 語 を ベ ク ト
ル化し、これらのコサイン類似度によって 名詞の間違
い検出の手法として使用できないかを議論する。
本 論 文 で は 、第 2 節 で WordNet と 日 本 語 WordNet の
説 明 、第 3 節 で 本 論 文 の コ ン セ プ ト と WordNet の 構 造
における「同義語の間違い」の一例を紹介する。第 4
節では間違いの抽出法に関するわれわれの手法の説明、
第 5 節では手法を用いた場合の結果の提示を行う。第
6 節 で は 、 本 手 法 の Princeton WordNet に お け る 応 用 例
と、関心を持っている別手法に 関しての説明、第 7 節
で word2vec を 用 い た 単 語 の ベ ク ト ル 化 と そ れ ら を 用
図 1 日 本 語 WordNet の Synset-同 義 語 間 リ ン ク 例
いた間違い検出の実験、第 8 節に今後の展望と課題を
述べる。
日 本 語 と リ ン ク を 持 つ Synset は 日 本 語 の gloss を 持
っ て い る 。日 本 語 WordNet の カ バ ー 範 囲 の 拡 張 の た め
2. WordNet と 日 本 語 WordNet
2.1. Princeton WordNet
Princeton WordNet は 英 語 の 大 規 模 言 語 デ ー タ ベ ー ス
に 、SUMO や Wikipedia、GoiTaikei[10]と い っ た 他 の リ
ソースが使用されている。
2.3. 他 言 語 の WordNet と WordNet の拡 張
である。名詞、動詞、形容詞、副詞といった品詞ごと
Princeton WordNet を 基 に し た 、 様 々 な 言 語 の 言 語 デ
に 、明 確 な コ ン セ プ ト を 持 っ た「 Synset」と い う 認 知 同
ータベース作成プロジェクトが存在する。一部のプロ
義 語 の セ ッ ト に 纏 め ら れ る 。 各 Synset は 固 有 の ID に
ジ ェ ク ト で は WordNet、Wikipedia 2 、Wiktionary 3 及 び そ
よ っ て 管 理 さ れ て お り 、Gloss と 呼 ば れ る 、Synset の 簡
の他の言語資源を用いて、多言語のごくデータベース
単な意味を説明するテキストがリンクされている。
を作成しようと試みている。
Synset は 概 念 -意 味 関 係 も し く は 字 句 ト ー ク ン 関 係 で
既存の言語資源と新しいデータベース間のマッピ
相 互 リ ン ク を 持 っ て い る 。単 語 が 持 つ 意 味 を Synset に
ングの正確さは、それによって出力されるデータベー
よ っ て グ ル ー プ 化 す る こ と が で き る た め 、 WordNet は
スの整合性の正しさを証明する指標になるので非常に
シソーラスとして使用できる。多義である単語が存在
重 要 で あ る 。新 し い 言 語 の WordNet を 作 成 す る こ と は 、
す る た め 、 単 語 は 複 数 の Synset に 属 す る こ と が あ る 。
他の言語からなる新しいオントロジーで表現されてい
2.2. 日 本 語 WordNet
る、既存のオントロジーからマッピングで作成すると
日 本 語 WordNet は Princeton WordNet を 基 に し た 、日
みなすことができる。
本 語 の 語 彙 デ ー タ ベ ー ス で あ る 。日 本 語 WordNet の プ
2
Wikipedia, http://ja.wikipedia.org
3
Wiktionary, http://ja.wiktionary.org
と ペ ア 関 係 を チ ェ ッ ク し た 。担 当 者 は そ の 後 、間
3. 日 本 語 WordNet の 間 違 い
違いの確認用のリストを作成した。
間違いの訂正は、新しく作成したオントロジーや、
オントロジー間のマッピングの整合性の確認において
4)
スクリーニング担当とは別のチェック担当者た
重 要 で あ る 。日 本 語 WordNet の 現 行 の バ ー ジ ョ ン で は 、
ちが独立して確認を行った。チェック担当者全
約 5%の 間 違 い が 含 ま れ て い る 。 ま た 、 Chinese Open
員 が 間 違 い と 判 断 し た Synset と 単 語 の ペ ア を 最
WordNet も 、 そ れ に 匹 敵 す る エ ラ ー 率 で あ る 。 本 節 の
終的な間違いとしてマークした。
残りでは、同義語における間違いにおける、エラーの
種類に焦点を当てる。
3.3. 間 違 いの種 類
結 果 と し て 900 単 語 中 、81 語（ 9%）が 間 違 い だ と 判
3.1. 同 義 語 の間 違 い
WordNet の 構 造 に お い て 、
「 同 義 語 の 間 違 い 」を 、語
w m is s が 属 し て い る synset（ S と す る ） の Gloss と 合 致
しない語であると定義する。
図 2 で は 、Synset 02651424-v に つ い て 図 示 し て い る 。
こ の Synset は「 泊 め る 」、
「 収 容 」、
「 宿 る 」、
「持ち込む」
という 4 つの同義語を持っている。
断された。それらは 3 つのエラーパターンに分類され
た。
Synset S 内 の す べ て の 日 本 語 の 同 義 語 を Syn(S)と 表
現 す る 。 ま た 、 Synset S 内 の 間 違 い を mis(S)と 表 現 す
る。
・ Syn(S)内 の 同 義 語 が 一 つ で な く 、 Syn(S)=mis(S)で
ある場合、S には全部型の間違いが存在していると呼
称した。
・ Syn(S) / mis(S) ≠ φ か つ mis(S) ≠ φ で あ る と
き 、 こ の Synset S は 一 部 型 の 間 違 い が 存 在 し て い る と
呼称した。
・Syn(S)内 の 同 義 語 が 一 つ し か な く 、Syn(S)=mis(S)
である場合、S には単独型の間違いが存在していると
呼称した。
全 81 個 の 間 違 い の う ち 、 26 個 が 一 部 型 、 27 個 が
全 部 型 、28 個 が 単 独 型 の 間 違 い で あ っ た 。こ の 種 類 を
数 え る 際 、 我 々 は 81 個 の 単 語 と Synset の 間 の リ ン ク
を対象とした。
4. 間 違 い の 抽 出 方 法
我 々 は 日 本 語 WordNet 単 体 で 間 違 い を 抽 出 す る 方 法
を 試 し た 。 わ れ わ れ の 手 法 は 日 本 語 WordNet 以 外 の 、
図 2 同義語の間違いの具体例
限 定 的 な 情 報 し か 持 た な い WordNet 構 造 の デ ー タ ベ ー
スにも使用することができる。
こ の う ち 、「 持 ち 込 む 」 と い う 単 語 は こ の Synset
02651424-v に お い て 同 義 語 の 間 違 い で あ る と い え る 。
4.1. Synset-同 義 語 間 リンクによる抽 出
は じ め に 提 示 す る 抽 出 手 法 は 、 Synset と 同 義 語 の リ
ン ク の み を 用 い た 手 法 で あ る 。 以 降 の 記 述 で は Synset
3.2. 予 備 実 験
我 々 は 日 本 語 WordNet 内 の 間 違 い を 手 動 で チ ェ ッ ク
し た 。今 回 対 象 と し た の は 動 詞 で あ る 。理 由 と し て は 、
がリンクを持っている単語を w と定義する。
単 語 w と Synset S に お い て の 、w の 重 複 Synset
SC
は以下の式で表現される。
WordNet の 構 造 内 で の 間 違 い は 、 名 詞 よ り 動 詞 の ほ う
が多く報告されていたためである。
SC(w) = {Sk |w ∈ syn(Sk)}
以下は、今回の実験で間違いを確認した際の手順で
ある。
1)
Synset 重 複 は 、 単 語 w と リ ン ク を 持 つ す べ て の
日 本 語 能 力 検 定 (JLPT)に 登 場 す る 単 語 の う ち 、
Synset-ID に つ い て 定 義 さ れ る 。 図 3 に SC(売 る )を 例
WordNet に 登 録 さ れ て い る も の を 無 作 為 に 900
として図示する。
語抽出する。
2)
3)
抽 出 し た 単 語 の 同 義 語 を 含 む Synset を 日 本 語
図 1 での単語である商う, 売り買い, 売買, 売る は
WordNet か ら 抽 出 す る 。
同 じ Synset
ス ク リ ー ニ ン グ 担 当 者 が す べ て の Synset と 動 詞
ン ク を 持 っ て い る 。 つ ま り 、 SC(商 う ), SC(売 り 買 い ),
002260362-v と 002244956-v の 2 つ に リ
SC(売 買 ) ,SC(売 る ) は 2 個 あ る い は そ れ 以 上 の 要 素 を
3)
SOL(Si)の 最 小 値 を と る 。
持っていることになる。
mSOL (Si) = min (SOL (w j ,w k )) (for all w j ,w k ∈
Si )
4)
mSOL(Si) < γ.で あ る 場 合 、 間 違 い の 可 能 性 が
あるとタグ付けする。
γ は 閾 値 で あ る 。 (γ < 1 )
GC(w) を 用 い た 手 法 は 、 SC(w) を そ れ ぞ れ SC(w),
SOL(w j, w k ), and
mSOL(Si)
(Gloss Overlap)、 mGOL(S i )
最小値)
から
GC(w), GOL(w j ,w k )
(Synset S の gloss overlap
に置き換えたものとなる。
4.4. 手 法 の適 用 性
4.3 の 手 法 を 適 用 す る に は 、Synset が 一 定 の 状 態 を 満
たしている必要がある。
状 態 4.3
・ Synset 内 に は 2 つ 以 上 の 単 語 が 登 録 さ れ て い る 必
要がある。
図 3 SC(売 る )の 図
・われわれの手法は単独型の間違い抽出に使用する
4.2. Gloss-同 義 語 リンクによる抽 出
ことができない。
二 つ 目 の 手 法 は gloss に 含 ま れ て い る 単 語 を 使 用 す
る。
・仮 説 が 絶 対 的 な も の で は な い 。た と え ば「 切 る 」と
Synset S に 含 ま れ て い る gloss と 文 例 に 存 在 す る す
「 混 ぜ る 」 は Synset 01418667-v (ラ ン ダ ム な 順 序 や 配
べ て の 日 本 語 の 単 語 を glossw(S)={w1,w2,…}. と す る 。
置 に な る よ う に 混 ぜ る )で 同 義 語 で あ る が 、他 の Synset
単 語 w に お け る gloss-coverage (GC) は 以 下 の 式 で 表
で同時に出現することが起こっていない。
される。
GC(w)= {uk| uk ∈ glossw(Sj), Sj ∈ SC(w)}
5. 日 本 語 WordNet 内 で の 一 部 型 の 間 違 い
における結果
SC(w1) と SC(w2)が 同 じ 要 素 を 持 つ と き 、 GC(w1)
日 本 語 WordNet に は 動 詞 を 表 す Synset が 10,324 個
と GC(w2)も 同 様 に 同 じ 要 素 を 持 つ こ と は 自 明 で あ る 。
存在している。そのうち、検証手法の対象となるのは
Gloss overlap は Synset overlap と 似 た よ う な 傾 向 を
3,031 個 で あ っ た 。2 名 の 検 証 者 が そ れ ら の デ ー タ の 間
持つ。
違いを手動でチェックしていき、一部型であるか全部
型 で あ る か の 確 認 も 行 っ て い っ た 。結 果 と し て 、125 個
の 全 部 型 の 間 違 い と 121 個 の 部 分 型 の 間 違 い が 発 見 さ
4.3. 検 証 手 法
1)か ら 4)と い う 順 序 で 、 SC(w)を 用 い た 間 違 い の 抽
れた。
図 7 は 、一 部 型 の mGOL(S)の Precision、Recall、F 値
出手法を記述していく。
を 示 し て い る 。横 軸 は mGOL(S)の 大 き さ を 昇 順 に 並 べ
1)
たものをとっている。
抽 出 手 法 を 適 用 す る 対 象 の Synset を リ ス ト 化
する。
2)
F 値 は γ =0.0455 の 時 に 最 大 と な っ て い る 。表 1 は 具
リ ス ト 上 の Synset Si に つ い て 、各 ペ ア wk, wj
体 的 な 数 値 を 示 し て い る 。図 7 の 縦 線 は F 値 が 最 大 と
∈ Syn(Si)の Synset Overlap 、 SOL(wj,wk)を
なっているところをあらわしている。
計算していく。
SOL(wj,wk)=#(SC(wj) ∩ SC(wk))/ #(SC(wj) ∪
SC(wk))
(#(S) は S の 基 数 を 示 す )
表 1
F 値が最大値をとるときのデータ
6.2. mSOL(mGOL) の 低 ス コ ア に 対 す る 誤 検 知 の
原因推定
mSOL(S)や mGOL(S)の ス コ ア が 低 く と も 、間 違 い で
な い 同 義 語 が 存 在 し て い る 。 最 小 値 が 500 位 以 内 の
Synset の う ち 、 人 間 が 間 違 い と 判 断 し な か っ た も の が
392 個 あ る 。
一 定 の 条 件 を 満 た す と 、mGOL(S)や mSOL(S)が 低 く
なるという現象を確認している。説明のために、
mSOL(S)の 例 を 挙 げ る 。
条 件 6.2
Synset 内 の 同 義 語 の 数 が 2 つ し か な く 、 同 義 語 が そ
れ ぞ れ よ り 多 く の Synset と リ ン ク を 持 っ て い る 場 合 。
こ の 条 件 を 満 た し た 場 合 、mSOL(S)や mGOL(S)が 低
くなる現象が発生する。
mSOL(S)が 100 位 以 内 の Synset 中 に 、同 じ 同 義 語 が
繰り返されているものがあった。表 2 は特に発生して
いた 4 単語を抜き出したものである。
表 2
図 7
頻出した単語の出現傾向
mGOL(S)の 結 果
6. 詳 細 結 果
6.1. 全 部 型 の間 違 い
mGOL(S)値 の 数 値 が 高 く な れ ば 全 部 型 の 間 違 い は 少
なくなっていっているように見えるが、この手法では
全部型の抽出をうまくできていない。
全部型の間違いの原因について、我々は 2 種類の分
類をしている。
表 2 の単語は複数の意味を持つことは自明である。
「 切 る 」と「 考 え る 」は 多 く の 低 mSOL(S)ス コ ア を 持
1) 以 下 の 条 件 を 同 時 に 満 た す 場 合
っており、誤検知を引き起こしている。
・英 語 の 同 義 語 が Synset 内 に 存 在 し て お り 、そ れ が
一 般 的 に よ く 使 わ れ る も の で あ る (get な ど )。
6.3. 高 mSOL(mGOL)値 を持 つ間 違 い
・ Synset 内 に 存 在 し て い る 英 語 の 同 義 語 の 数 が 少 な
い。
・ 英 語 の 同 義 語 の gloss が 一 般 的 に あ ま り 使 わ れ な
いものである。
・日本語の同義語が英語から取られているように推
測される。
mSOL(S)(mGOL(S)) 値 が 高 い 場 合 で も 間 違 い が 存 在
す る パ タ ー ン が 発 見 さ れ て い る 。mSOL > 0.1 を 満 た す
間 違 い は 29 個 発 見 さ れ て お り 、う ち 25 個 で は SC(w1)
∩ SC(w1) が ひ と つ し か 存 在 し て い な か っ た 。
こ れ は 6.3 と 逆 の 現 象 で あ り 、 Synset 内 に 含 ま れ て
いる同義語の数が少ないことから発生したものと考え
2) 日 本 語 の gloss が 誤 訳 さ れ て い る た め 、 日 本 語 の
られる。
同義語がマッチしない状態になっている。
7. ベ ク ト ル を 用 い た 間 違 い 抽 出 法 の 検 証
わ れ わ れ の 手 法 で は 2)の 間 違 い は 抽 出 す る こ と が で
word2vec[11]を 使 い 、コ ー パ ス 中 の 用 例 に つ い て 単 語
き な い 。 理 由 と し て は 日 本 語 gloss の み が 間 違 っ て い
をベクトル化することができる。我々はこれを用いて
るため、同義語同士の不整合が見られないことが多い
日 本 語 WordNet の 間 違 い 抽 出 が 可 能 で は な い か と 考 え
ためである。
た。
青 空 文 庫 4の 新 字 新 仮 名 作 品 に 対 し て 形 態 素 解 析 を
向性を含んでいるならば、多義性を持つ単語であれば
行 っ た コ ー パ ス 5 が 公 開 さ れ て お り 、こ れ を 用 い て 単 語
多義性を持つベクトルが出力されている可能性がある
をベクトル化した。
と考える。
そ の 後 、動 詞 の Synset に 存 在 す る 単 語 の ペ ア に 対 し
また、今回使用したコーパスである青空文庫は著作
て 、生 成 し た ベ ク ト ル を 用 い て コ サ イ ン 類 似 度 を 求 め 、
権 切 れ の 古 い 作 品 が 多 く 、 Synset 内 の 単 語 が コ ー パ ス
そ の 数 値 を 先 述 し た mGOL の よ う に 指 標 と し て 用 い
内に存在しないという現象も起こっている。
た。
これらのことから、ベクトルを用いた検証に関して
動 詞 に よ る 検 証 結 果 は ベ ー ス ラ イ ン と し た mGOL の
は改良の余地が多いと考えている。
結果よりもやや低い F 値の推移となっていた。
コーパスを調べたところ、サ行変格活用である動詞
が名詞と混同されていることが判明したため、再度名
詞のみを対象として検証を行った。
名 詞 に よ る 検 証 に 使 用 し た Synset 数 は 約 7000 個 で 、
そ の う ち 間 違 い を 含 ん で い る と 判 断 し た Synset は 161
個だった。
結 果 と し て 、 F 値 は 一 部 を 除 い て 0.1 を 超 え る こ と
はなく、このままでは間違い抽出への利用は不適切で
ある。
な お 、名 詞 に お け る mGOL に お い て も F 値 は ベ ク ト
ルを用いた際と大きな差はなかった。
8. 課 題 と 今 後 の 展 望
本 論 文 で は 、 WordNet の 構 造 に 存 在 す る 「 同 義 語 の
間 違 い 」の 抽 出 を 目 標 と し て き た 。結 果 と し て 、mGOL
は 、日 本 語 WordNet で「 一 部 型 」と 定 義 し た 種 類 の 動
詞 の 間 違 い の 抽 出 に 効 果 を 示 し た 。 最 小 Gloss Overlap
を 使 用 す る こ と で 、 313 個 の Synset 中 に 50%の 一 部 型
の間違いを集約することを可能にしている。また、特
別に新しく情報資源を準備する必要がなく、日本語
WordNet そ れ 単 体 で 手 法 を 実 行 す る こ と が 可 能 で あ る 。
ベクトルを用いた間違い抽出に関しては、 コサイン
類似度を用いて類似性を判断した 。今回の検証では間
違いとそうでないものの区別がついておらず、課題が
残る。
第一はコサイン類似度の大きさが類義語の正しさ
と相関関係を持っているのかを正しく判断しなければ
な ら な い 。Word2vec で は 、コ サ イ ン 類 似 度 が 大 き け れ
ば 語 は 似 た よ う な 意 味 を 持 つ [11] と あ る が 、 す べ て の
類義語がペアとなった際にコサイン類似度が高いとは
限らない。類似性の判定には他の分類手法も試すべき
であると考える。
第二に、語の多義性の問題がある。今回は単語に対
文
献
[1] F. Bond, H. Isahara, S. Fujita, K. Uchimoto, T.
Kuribayashi, Enhancing the Japanese WordNet, ALR7
Proc. the 7th Workshop on Asian Language Resources ,
pp. 1-8 ,Association for Computational Linguistics .
pp. 1-8, 2009
[2] NICT Information
Analysis Laboratory, National
Institute of
Information and Communications
Technology,
Japanese
WordNet,
http://nlpwww.nict.go.jp/wn -ja/index.en.html
[3] Princeton University "About WordNet." WordNet.
Princeton
University.
2010,
http://wordnet.princeton.edu
[4] K. Miyata, et al., Difficulty and Ambiguity of Verbs Analysis based on Synsets in Japanese WordNet -,
AIT2013, 2013
[5] S. Wang, F. Bond, Building the Chinese Open
WordNet (COW): Starting from Core Synsets, Proc.
International Joint Conference on Natural Language ,
pp. 10–18, 2013
[6] G. Melo, G. Weikum, Towards a Universal WordNet
by Learning from Combined Evidence, CIKM '09 Proc.
18th ACM conference on Information and knowledge
management, pp. 513-522, 2009
[7] R. Navigli, S.P. Ponzetto, BabelNet: Building a Very
Large Multilingual Semantic Network, ACL 2010 48th Annual Meeting of the Association for
Computational Linguistics Proc., pp. 216-225, 201
[8] F. Bond, R. Foster, Linking and Extending an Open
Multilingual WordNet, in Proc. 51st Annual Meeting
of the Association for Computational Linguistics , pp.
1352-1362, 2013
[9] T. Hirao, T. Suzuki, K. Miyata, S. Hirokawa,
Detection Methods for Misplacement of Synonyms in
the Japanese WordNet, International Journal of
Computer and Information Science, to appear
[10] S. Ikehara, et al., “Nihongo GoiTaikei [Japanese
Lexicon]”, Iwanami Shoten, in Japanese , 1997
[11] Tomas Mikolov, Kai Chen, Greg Corrado, and Jeffrey
Dean. Efficient Estimation of Word Representations
in Vector Space. In Proceedings of Workshop at ICLR,
2013.
してベクトルを抽出したが、単語の中には複数の意味
を持つものが存在しており、ベクトルが意味関係の方
4
青 空 文 庫 , http://www.aozora.gr.jp
5 青 空 文 庫 形 態 素 解 析 デ ー タ 集 , http://aozoraword.hahasoha.net
© Copyright 2024 ExpyDoc
