Investigation of Ontology-Style Relation Annotation and Its Effects with Deep Learning

本研究は，文書からの情報抽出を対象に，オントロジー形式のアノテーションにより作成された訓練データの効果を検証するものである．従来の関係アノテーションは2つの用語間に関係を付与してきたが，オントロジー形式のアノテーションでは関係用語と対象となる２つの用語をそれぞれdomain, rangeによりリンクする．これにより，関係の種類が少なくなり，用語抽出として関係の種類が識別できるようになる．1年目には，交通教則文すべてに対して，オントロジー形式のアノテーションを行った．また，BERTにより単語のベクトル化を行い，深層学習モデルによる用語・関係抽出の予備実験も実施した．2年目には，英語の関係抽出データに対してオントロジー形式のアノテーションを行った．関係抽出データとして，SemEval 2010タスク8のデータを対象とした．このデータは従来形式による関係アノテーションが付与されており，対象用語e1, e2に対して関係Rが有向グラフとして付与されており，この r→e1, r→e2の間にdomain, rangeの関係をアノテーションし，その効果を深層学習モデルにより検証した．2022年度は，交通教則文およびSemEvalデータへのアノテーションを一般に公開した．さらに，日本語交通教則に対するアノテーションを全面的に見直した．交通教則は通常の自然言語文として書かれているため，主語や目的語の省略が多数含まれている．特に，箇条書きではトピックとなっている対象が箇条書きでは省略され，遠隔の参照が発生していた．そこで，本研究の新しい試みとして，交通教則の文を正規化し，省略部分に対する遠隔の関係づけを低減する修正を行った．アノテーションの見直しは時間のかかる地道な作業であり，目立った成果ではないが研究的な価値は高い．これに沿ったアノテーションガイドラインの整備も実施した．

本研究は，文書からの情報抽出を対象に，オントロジー形式のアノテーションにより作成された訓練データの効果を検証するものである．従来の関係アノテーションは2つの用語間に関係を付与してきたが，オントロジー形式のアノテーションでは関係用語と対象となる２つの用語をそれぞれdomain, rangeによりリンクする．これにより，関係の種類が少なくなり，用語抽出として関係の種類が識別できるようになる．1年目には，交通教則文すべてに対して，オントロジー形式のアノテーションを行った．また，BERTにより単語のベクトル化を行い，深層学習モデルによる用語・関係抽出の予備実験も実施した．2年目には，英語の関係抽出データに対してオントロジー形式のアノテーションを行った．関係抽出データとして，SemEval 2010タスク8のデータを対象とした．このデータは従来形式による関係アノテーションが付与されており，対象用語e1, e2に対して関係Rが有向グラフとして付与されており，この r→e1, r→e2の間にdomain, rangeの関係をアノテーションし，その効果を深層学習モデルにより検証した．2022年度は，交通教則文およびSemEvalデータへのアノテーションを一般に公開した．さらに，日本語交通教則に対するアノテーションを全面的に見直した．交通教則は通常の自然言語文として書かれているため，主語や目的語の省略が多数含まれている．特に，箇条書きではトピックとなっている対象が箇条書きでは省略され，遠隔の参照が発生していた．そこで，本研究の新しい試みとして，交通教則の文を正規化し，省略部分に対する遠隔の関係づけを低減する修正を行った．アノテーションの見直しは時間のかかる地道な作業であり，目立った成果ではないが研究的な価値は高い．これに沿ったアノテーションガイドラインの整備も実施した．