Research of Extracting and Selecting Highly Reliable Answer Statements for Questions Posted at Q&A Sites

(1) N-gramに基づいた構文情報の特徴量を用いた因子得点の推定の拡張これまでの研究手法は、形態素解析に基づいた手法で抽出してきた構文情報の特徴量に依存度が大きかった。そこで、構文解析の代替手法であるN-gramに基づく特徴量17種を形態素解析に基づく特徴量36種の代わりに新規特徴量として使用し、計58種の特徴量を説明変数、9因子の因子得点を目的変数として重回帰分析を実施し、本手法の有効性を検証した。これまで、5-gramの範囲まで分析を行った結果、いずれの場合においても、9因子とも従来の形態素解析とほぼ同等もしくは良好な結果が得られ、その中でも2-gramの場合が最も有効的な手法である可能性を検証した。因子に応じて、形態素解析またはN-gramの中で最も有効な手法で因子得点を推定することが可能といえる結果となった。また、N-gramの場合は単項のみで済むため、因子得点を算出するモデルの軽量化が期待される結果となっており、Nの数が長くなるほどこの傾向は担保されていることを示した。(2) 文章間の意味を考慮した因子得点の推定これまでの研究において、文章間の意味や内容を考慮するという課題があった。そこで、word2vecを用いて文章間の意味を考慮した特徴量を追加することで、文章の因子得点の推定を行った。同時に、これまで使用してきた文章の特徴量の内容を精査した上で、構文解析（20種）または2-gram（17種）、文末表現を13種、word2vecを3種、の特徴量を分析に使用することとした。60件のデータに対して3組のクロス・バリデーションも適用して、前述の文章の特徴量を使用して重回帰分析を施したところ、9因子とも良好な推定結果が得られた。また、各因子の標準偏回帰係数の絶対値の大きな変数を調べたところ、特定の因子においてword2vecの加味が効果的であるといえる結果となった。

(1) N-gramに基づいた構文情報の特徴量を用いた因子得点の推定の拡張これまでの研究手法は、形態素解析に基づいた手法で抽出してきた構文情報の特徴量に依存度が大きかった。そこで、構文解析の代替手法であるN-gramに基づく特徴量17種を形態素解析に基づく特徴量36種の代わりに新規特徴量として使用し、計58種の特徴量を説明変数、9因子の因子得点を目的変数として重回帰分析を実施し、本手法の有効性を検証した。これまで、5-gramの範囲まで分析を行った結果、いずれの場合においても、9因子とも従来の形態素解析とほぼ同等もしくは良好な結果が得られ、その中でも2-gramの場合が最も有効的な手法である可能性を検証した。因子に応じて、形態素解析またはN-gramの中で最も有効な手法で因子得点を推定することが可能といえる結果となった。また、N-gramの場合は単項のみで済むため、因子得点を算出するモデルの軽量化が期待される結果となっており、Nの数が長くなるほどこの傾向は担保されていることを示した。(2) 文章間の意味を考慮した因子得点の推定これまでの研究において、文章間の意味や内容を考慮するという課題があった。そこで、word2vecを用いて文章間の意味を考慮した特徴量を追加することで、文章の因子得点の推定を行った。同時に、これまで使用してきた文章の特徴量の内容を精査した上で、構文解析（20種）または2-gram（17種）、文末表現を13種、word2vecを3種、の特徴量を分析に使用することとした。60件のデータに対して3組のクロス・バリデーションも適用して、前述の文章の特徴量を使用して重回帰分析を施したところ、9因子とも良好な推定結果が得られた。また、各因子の標準偏回帰係数の絶対値の大きな変数を調べたところ、特定の因子においてword2vecの加味が効果的であるといえる結果となった。