自然言語処理の応用によるゲノム文献の高度検索システムの構築

应用自然语言处理构建基因组文档的高级搜索系统

• 批准号: 12208025
• 负责人: 黒橋 禎夫
• 金额: --
• 依托单位: Kyoto University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research on Priority Areas (C)
• 财政年份: 2000
• 资助国家: 日本
• 起止时间: 2000 至 无数据
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-12208025/
• 关键词: 自然言語処理; 情報検索; 格フレーム; コーパス; 省略; 代名詞

自然言語の文章では,人間にとって理解可能な範囲で頻繁に省略や代名詞化がおこる.この問題は,文章を単語集合として扱っている現在の情報検索でさほど表面化しないが,今後,情報検索を高度化していくためには,省略・代名詞に対する照応詞の同定が必須の要素技術となる.省略・代名詞解析には,用言(動詞,形容詞,名詞+判定詞)ごとに,どのような名詞が主語,目的語(格要素)になるかという情報をまとめた格フレーム辞書が必要となる.しかし,数千から数万の用言について,専門分野における特殊な用法までカバーする大規模で実用的な格フレーム辞書はこれまでのところ存在しなかった.格フレーム自動構築における最大の問題は,用言の意味の多義性である.たとえば「(友達に)なる」と「(病気に)なる」,「(塩,調味料などを)加える」と「(砲撃を)加える」では,同じ動詞でも格フレームのパターンがまったく異なる.この多義性を解消しなければ,格フレームは自動的には構築できない.ここでのポイントは,用言の意味を決定づける重要な名詞は用言の直前にあり,かつそれは文章中で省略されることは比較的少ない,という点である.そこで,用言単独ではなく,用言とその直前の名詞のペア,すなわち「友達になる」や「病気になる」を格フレームの単位とし,そのまわりに他にどのような格要素が存在するかを大量のテキストから学習するという手法を考案した.新聞記事を対象とし,約370万文から格フレームを学習したところ,9,900用言について平均6.0個の格フレームが学習された.さらに,この格フレーム辞書を用いて文章中の省略要素を同定する実験を行ったところ,70%程度の正解率が得られた.この手法は言語独立,分野独立であり,必要となるのはある分野の大量のテキストだけである.今後,ゲノム文献を対象としてこの手法の有効性を確認し,これを検索の高度化につなげていく予定である.

Articles of natural language では, Human world にとって Understanding possible な Fan 囲 で Frequent に Omission や Pronounization がおこる. このQuestion は, Articles 単语Assembling the information now, the information is now surfaced, and from now on, the information will be advanced, the province Omission・Pronoun analysisには, use of words (verb, adjective, noun) + Determinant)ごとに,どのようなNounがSubject, target language (case element)になるかというInformationをまとめた格フレームDictionaryがNecessary usage, thousands of usage, tens of thousands usage, exclusive usage, special usage, large-scale usage The dictionary of な格フレームはこれまでのところ exists しなかった. The grid フレームautomatically constructs におけるthe biggest problemは, the meaning of words The polysemy of flavor is である.たとえば「(佰に)なる」と「( Disease 気に)なる」,「(塩, Seasoning などを)加える」と「 (gun撃を) add える」では, same as verb でも格フレームのパターンがまったくdifferent なる. , grid フレームはautomatic にはconstruct できない.ここでのポイントは, use words to mean をdetermine づけるimportant な noun は use words のstraightにあり,かつそれはでされることは is omitted in the article. Compared with ない, という points to である.そこで, use the words 単多ではなく, Use the words とその正前ののペア, すなわち「Youda になる」や「 sick気になる」を格フレームの単bit とし, そのまわりに His にどのような grid element がexistent するかをa large number of のテキストからlearn するというtechnique をanswer case した.News notes を対向とし, about 3.7 million words of text, 9,900 words of words, an average of 6.0 wordsされた.さらに,この格フレームdictionaryを用いてのomit elements in the articleを同定する実験を行ったところ,70% levelのCorrect answer rate が got られた.このtechniqueはlanguage independence, dividing field independent であり, necessary となるのはある dividing field のlarge amount のテキストだけである. From now on, we will confirm the effectiveness of the ゲノムdocumentation method and the としてこのtechnique, and the これを検検検恮高につなげていく will be determined.

项目成果

河原大輔: "自動構築された格フレーム辞書に基づく省略解析"言語処理学会第7回年次大会. (2001)

Daisuke Kawahara：“基于自动构建的案例框架词典的省略分析”，语言处理学会第七届年会（2001）。

Daisuke Kawahara: "Japanese Case Frame Construction by Coupling the Uerb and its Closest Case Component"Proc.of Human Language Technology Conference (HLT01). (2001)

Daisuke Kawahara：“通过耦合 Uerb 及其最近的格组件来构建日语格框架”人类语言技术会议 (HLT01) 的会议记录。