多言語Webテキストからの知識マイニングに関する研究

多语言网络文本知识挖掘研究

• 批准号: 18049011
• 负责人: 中川 裕志
• 金额: $ 3.78万
• 依托单位: The University of Tokyo
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research on Priority Areas
• 财政年份: 2006
• 资助国家: 日本
• 起止时间: 2006 至 无数据
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-18049011/
• 关键词: 多言語; WWW; 機械学習; 知識; テキストマイニング; 用語抽出; 半構造テキスト; ブログ

表記の研究テーマを推進するにあたっては,大量ないし多様なテキストを処理する必要がある.本年度は,このような目的に沿って,以下の基本的テキスト処理技術の探求,Webテキスト処理ツールの開発を行った.(1)大量のWebテキストから比較的軽い処理で知識の候補となるイベントを網羅的に抽出する半構造マイニングの手法を考案して,実装した.知識抽出にあたって、文の係り受け構造を,文節をラベルとする節点を保持する木構造で表したのでは,助詞や表記上のぶれにより,節点数の少ない部分木が抽出されてしまう.そこで係り受け構造を表現する新しいデータ構造を提案し,そのデータ構造に対するマイニング手法を提案することで,上記の問題を解決した.(2)将来必要となる精密な知識をテキストから抽出するためのインフラストラクチャーとなるHPSG文法による構文解析システムの研究を行った.従来のモデルに比べ,提案した極語彙化モデルはほぼ同じ精度を達成しながら,4〜5倍程度の高速化に成功している.もうひとつの提案である合成モデルでは,従来のモデルにくらべ3〜4倍程度の高速化を達成しつつ,適合率および再現率がおよそ2ポイント向上している.(3)HTMLで書かれたHTML文書であるが,その構造であるレイアウト情報を教師なし学習で自動的に抽出するシステムを検討した.(4)既存のサーチエンジンを越える使い勝手を実現するために,Webテキストと伝統的な情報の宝庫である図書館を連携させる目的で,Web上の百科事典Wikipediaを仲介とする方法を考案した.具体的にはWebの世界と図書館の世界をWikipediaを介してつなぐことによって,両者の世界の利点を生かした情報探索を実現するための試作システムを構築した.

A lot of research is needed. This year, the goal is to explore the following basic technologies for Web site processing, and to develop web site processing technologies. (1)A large number of Web sites are available for comparison, knowledge processing, candidate information, network extraction, semi-structural information processing, and implementation. Knowledge extraction, text system, structure, text section, node, structure, table, auxiliary word, table, record, number of nodes, part of tree extraction. The problem is solved by a new structure proposal. (2)In the future, it is necessary to study the structure of HPSG. In the past, the speed of the system has been increased by 4 to 5 times, and the accuracy of the system has been improved by 4 to 5 times. In addition, the speed increase of 3 ~ 4 times is achieved, and the fit rate and the reproduction rate are increased by 2 times. (3)HTML is the structure of HTML documents. It is the automatic extraction of HTML documents. (4)The existing Web site is a repository of traditional information. The Wikipedia site is a reference site. The concrete world of the Web, the world of the library, Wikipedia, the world of the web, the world of the web, the web, the world of the

项目成果

A Domain Ontology Production Tool Kit Based on Automatically Constructed Case Frames

基于自动构建案例框架的领域本体生成工具包

• 发表时间: 2006
• 期刊: Proc. of LREC 2006
• 作者: Youji Kiyota;Hiroshi Nakagawa
• 通讯作者: Hiroshi Nakagawa

Fast and scalable HPSG parsing.

快速且可扩展的 HPSG 解析。

• 发表时间: 2007
• 期刊: Journal of Traitement Automatique des Langues (TAL) vol.46, no.2
• 作者: Takashi Ninomiya;Yoshimasa Tsuruoka;Yusuke Miyao;Kenjiro Taura;Jun'ichi Tsujii.
• 通讯作者: Jun'ichi Tsujii.

Browsing System for Weblog Articles based on Automated Folksonomy

• 发表时间: 2006
• 作者: Tsutomu Ohkura;Yoji Kiyota;Hiroshi Nakagawa

Extremely Lexicalized Models for Accurate and Fast HPSG Parsing

用于准确快速 HPSG 解析的高度词汇化模型

• 发表时间: 2006
• 期刊: Proc. of EMNLP 2006
• 作者: Takashi Ninomiya;et al.
• 通讯作者: et al.

係り受け関係を考慮したテキストマイニングのための半構造マイニング手法の提案

考虑依赖关系的文本挖掘半结构化挖掘方法的提出

• 发表时间: 2006
• 期刊: 日本データベース学会Letters 5 (2)
• 作者: 佐藤 一誠;中川 裕志
• 通讯作者: 中川 裕志