id stringlengths 9 9 | text stringlengths 304 9.57k | title stringclasses 1 value |
|---|---|---|
V19N04-02 | 近年，作文技術の習熟度を評定する目的で文章を自動的に評価する技術に対して，需要が高まっている．大学入試や就職試験等の大規模な学力試験において課される小論文試験の採点や，e-learning等の電子的な学習システムにおいて学習者の作文技術についての能力を測るために出題される記述式テストの採点が，例として挙げられる．このような，多数の文章を同一の基準で迅速に評価する必要があるタスクにおいて，対象となる全ての文章を人手で評価することは，多くの場合困難を伴う．第一に，評価に要する時間と労力が問題となる．記述式回答の評価は，選択式回答の評価に比べて，評価者が捉えるべき情報と考慮すべき基準が多く，それらの情報や基準自体も複雑である．第二に，評価基準の安定性が問題となる．文章の良悪を決定する基準は，評価者個々において完全に固定的なものではない．評価する順序による系列的効果や，ある要素についての評価が他要素の特徴に歪められるハロー効果\cite{NisbettWilson1977}の影響も考えられる．また，このような状況において他者による評価基準に自基準を合わせる場合，少なくとも他者との基準の差異についての定量的な情報がない限り，基準の統合は困難といえる．これらの問題の存在は，「個々の評価者が着目する言語的要素」や「評点決定に寄与する各要素の配分（重み）」に相違が生じる要因となり得る．結果的に，それらの相違が評価者間での評点の差異として表れることも考えられる．これらに対し，文章評価の自動化は，評価の公平性を損なう要因となる問題の解消に役立つと考えられる．また，評価者が着目する言語的要素やその配分の定量的な提示を行うことで，正確かつ円滑な評価者間の基準統合が可能になると考えられる．本稿では，単独の評価者により対象文章に与えられる総合的な評点と，国語教育上扱われる言語的要素についての多種の特徴量から，任意の試験設定における個人の評価者の文章評価モデルを推定する手法について述べる．また，個人の評価者の評価モデルにおいて評点決定に寄与する要素毎の配分（重み）について，他の評価者の評価モデルとの間で定量的に比較可能な形で提示する手法について述べる．ただし，複数の評価者の評価モデルによる評価から最終的な評価判断を導き出すことについては扱わない．提案手法は，文章を採点する行為を順序付き多クラス分類として捉え，SupportVectorRegression(SVR)\cite{SmolaSch1998}を用いた回帰手法により，評価者が付けうる評点を予測する．SVRの教師データには，表層や使用語彙，構文，文章構造などの特徴に関する様々な素性を用意する．これらの素性には，日本の国語科教育において扱われる作文の良悪基準に関わる素性が多く含まれる．なおかつ，全ての素性は，評価対象文章で議論されるトピック固有のものは含まない汎用的なものである．本手法は，国語教育\footnote{本稿では便宜上，小学校，中学校，高等学校における作文教育を国語教育と呼ぶこととする．}上扱われる言語的要素をSVRの素性に用いて文章評価をモデル化し，SVRの回帰係数の差として評価者間での評価基準の個人差を明示できるという点に，新規性を持つ．国語教育上扱われる要素に基づいて文章評価モデルを説明することができるため，教育指導を行う立場にある評価者が，普段の指導で参照する要素を介して容易に文章評価モデルを認識，比較することができる．作文技術についてのあらゆる能力評価に対応可能であるよう，素性を網羅的に設定するが，「文章を意味面で適切に記述する能力」の評価に関しては扱わない．ここでいう意味面での適切さとは，文章中の文が示す個々の内容の正しさを指す．例えば，「月は西から昇る」のような文が示す内容が正しいか正しくないかについての判断は，本研究では扱わない． | |
V12N04-03 | 本論文では，構造化された言語資料の検索・閲覧を指向した全文検索システムである『ひまわり』の設計，および，その実現方法を示す。ここで言う「構造化された言語資料」とは，コーパスや辞書のように，言語に関する調査，研究などに利用することを目的として，一定の構造で記述された資料一般を指す。近年，さまざまな言語資料を計算機で利用できるようになってきた。例えば，新聞，雑誌，文学作品などのテキストデータベース(例：『毎日新聞テキストデータベース』\shortcite{mainichi})やコーパス(例：『京都大学テキストコーパス』\shortcite{kyodai_corpus}，『太陽コーパス』\shortcite{tanaka2001})，シソーラスなどの辞書的なデータ(例：『分類語彙表』\shortcite{bunrui})がある。また，音声情報や画像情報などのテキスト以外の情報をも含有するコーパス(例：『日本語話し言葉コーパス』\shortcite{maekawa2004}など)も現れている。言語資料には，書名や著者名などの書誌情報や，形態素情報，構文情報といった言語学的な情報が付与されており，言語に関する調査，研究における有力な基礎資料としての役割が期待されている。このような言語資料に対して検索を行うには，二つの「多様性」に対応する必要があると考える。一つは，構造化形式の多様性である。構造化された言語資料は，一般的に固有の形式を持つことが多い。したがって，検索システムは，検索の高速性を維持しつつ，多様な形式を解釈し，言語資料に付与されている書誌情報や，形態素情報や構文情報などの言語学的情報を抽出したり，検索条件として利用したりできる必要がある。もう一つの多様性は，利用目的の多様性である。ここで言う「利用目的の多様性」とは，検索対象の言語資料の種類や利用目的の違いにより，資料に適した検索条件や閲覧形式，さらには検索時に抽出する情報が異なってくることを指す。例えば，辞書を検索する場合は，見出し語や代表表記に対して検索を行い，単一の語の単位で情報を閲覧するのが一般的である。一方，新聞記事の場合は，記事本文やタイトルに含まれる文字列をキーとして，発行年などを制約条件としつつ検索し，前後文脈や記事全体を閲覧するのが一般的であろう。このように，言語資料を対象とした検索システムは，言語資料の性質と利用目的にあった検索式や閲覧形式を柔軟に定義できる必要がある。以上のような背景のもと，構造化された言語資料に対する全文検索システム『ひまわり』の設計と実現を行う。構造化形式の多様性に対しては，現在，広範に利用されているマークアップ言語であるXMLで記述された言語資料を検索対象と想定し，XML文書に対する全文検索機能を実現する。この際，検索対象とすることのできるXML文書の形式は，XML文書全体の構造で規定するのではなく，検索対象の文字列とそれに対して付与されている情報との文書構造上の関係により規定する。また，検索の高速化を図るため，SuffixArray方式など，いくつかの索引を利用する。次に，利用目的の多様性に関しては，検索式と閲覧方式を柔軟に設定できるよう設計する。まず，検索式を柔軟に設定するために，言語資料の検索にとって必要な要素を，検索対象の文字列とそれに対して付与されている情報との構造上の関係に基づいて選定する。一方，閲覧形式については，KWIC表示機能を備えた表形式での閲覧を基本とする。それに付け加えて，フォントサイズやフォント種，文字色などの表示スタイルの変更や音声，画像の閲覧に対応するために，外部の閲覧システムへデータを受け渡す方法を用いる。本論文の構成は，次のようになっている。まず，2節では，『ひまわり』を設計する上で前提となる条件を述べる。3節では，システムの全体的な構造と各部の説明を行う。4節では，言語資料の構造に対する検討を元にした検索方式について詳説する。5節では，『分類語彙表』と『日本語話し言葉コーパス』に本システムを適用し，言語資料と利用目的の多様性に対応できるか定性的に検証するとともに，検索速度の面から定量的な評価も行う。6節で関連研究と本研究とを比較することにより，本研究の位置づけと有用性を確認し，最後に，7節でまとめを行う。 | |
V24N05-01 | 近年，情報化技術の発展により，インターネット上やデータベース上にはテキストとそのテキストに付随する実世界情報が大量に存在している．実世界情報を用いる自然言語処理の研究として，テキストを用いて画像を検索する研究\cite{NIPS2014_5281}や画像の解説文を生成する研究\cite{Socher_groundedcompositional}などが行われている．また，実世界情報を用いることで言語モデルの性能を向上させる研究\cite{icml2014c2_kiros14}も行われており，実世界情報の活用は自然言語処理の基礎技術の精度向上に有効だと考えられる．そこで本稿では実世界情報とテキスト情報を素性として入力した際の固有表現認識を提案する．本稿では，将棋の解説文に対する固有表現認識を題材として，テキスト情報に加えて実世界情報を参照する固有表現認識器を提案する．固有表現とは，文書の単語列に人名や地名など約8種類の定義\cite{TjongKimSang:2003:ICS:1119176.1119195}を行ったものが一般的であるが，近年では医療の専門用語を定義したバイオ固有表現\cite{Biomedical.Named.Entity.Recognition.Using.Conditional.Random.Fields.and.Rich.Feature.Sets}なども提案されており，本研究では将棋解説コーパス\cite{shogi-corpus}で定義される将棋固有表現を扱う．将棋解説コーパスは，将棋の解説文に対して単語分割と固有表現タグが人手で与えられた注釈つきテキストデータであり，各解説文には解説の対象となる将棋の局面情報が対応付けされている．局面は，盤面上の駒の配置と持ち駒であり，すべての可能な盤面状態がこれによって記述できる．本研究では局面情報を実世界情報として用いる．提案手法では，まず各局面の情報をディープニューラルネットワークの学習方法の1つであるstackedauto-encoder(SAE)を用いて事前学習を行う．次に，事前学習の結果をテキスト情報と組み合わせて固有表現を学習する．提案手法を評価するために，条件付き確率場による方法等との比較実験を行い，実世界情報を用いることにより固有表現認識の精度向上が可能であることを示す．将棋の固有表現認識の精度が向上すると，文書から戦型名や囲い名などを自動的に抽出でき，将棋解説文の自動生成のための基礎技術となる．また，一般の固有表現認識を高い精度で行えるようになると質問応答や文の自動生成などの高度な応用の基礎技術となる． | |
V21N01-01 | \label{intro}\emph{述語項構造解析}の目的は，述語とそれらの項を文の意味的な構成単位として，文章から「誰が何をどうした」という意味的な関係を抽出することである．これは，機械翻訳や自動要約などの自然言語処理の応用において重要なタスクの1つである\cite{Surdeanu:2003:ACL,Wu:EAMT:2009}.\emph{述語}は文の主要部で，他の要素とともに文を構成する\cite{ModernJapaneseGrammar1}．日本語では，述語は品詞によって，形容詞述語・動詞述語・名詞述語の3種類に分けられる．述語が意味をなすためには，補語（主語を含む）が必要であり，それらは\emph{項}と呼ばれる．また，述語と項の意味的関係を表すラベルを\emph{格}と呼ぶ．項は前後文脈から推測できるとき省略\footnote{本稿では，省略を項が述語と直接係り受け関係にないことと定義する．}されることがあり，省略された項を\emph{ゼロ代名詞}，ゼロ代名詞が指示する要素を\emph{先行詞}と呼ぶ．この言語現象は\emph{ゼロ照応}と呼ばれ，日本語では項の省略がたびたび起きることから，述語項構造解析はゼロ照応解析としても扱われてきた\cite{Kawahara:2004:JNLP,Sasano:IPSJ:2011}．本稿では，項と述語の\textbf{位置関係}の種類を次の4種類に分類する．述語と同一文内にあり係り受け関係にある項\footnote{ここでの関係は向きを持たない．複数の項が同一の述語と関係を持つこともありうる．}，（ゼロ代名詞の先行詞として同一文中に存在する）文内ゼロ，（ゼロ代名詞の先行詞として述語とは異なる文中に存在する）文間ゼロ，および（文章中には存在しない）外界項である．本稿では，それぞれ\emph{INTRA\_D,INTRA\_Z},\emph{INTER},\emph{EXO}と呼ぶ．ある述語がある格にて項を持たないときは，その述語の項は\emph{\rm{ARG}$_{\rm{NULL}}$}だとし，その述語と\emph{\rm{ARG}$_{\rm{NULL}}$}は\emph{NULL}という位置関係にあるとして考える．本稿では，EXOとNULLを総称してNO-ARGと呼ぶ．例えば，\exref{exs-atype}において，「受け取った」と「食べた」のヲ格項「コロッケ」はそれぞれINTRA\_D・INTRA\_Z，「飲んだ」のガ格項「彼女」はINTERで，ニ格項は\emph{\rm{ARG}$_{\rm{NULL}}$}である．\enumsentence{コロッケを受け取った彼女は，急いで食べた．\\（$\phi$が）ジュースも飲んだ．}{exs-atype}一般に，項は述語に近いところにあるという特性（近距離特性）を持つ．そのため，これまでの述語項構造解析の研究では，この特性の利用を様々な形で試みてきた．\newcite{Kawahara:2004:JNLP}や\fullciteA{Taira:2008:EMNLP}は項候補と述語の係り受け関係の種類ごとに項へのなりやすさの順序を定義し，その順序に従って項の探索を行った．また，\fullciteA{Iida:2007:TALIP}は述語と同一文内の候補を優先的に探索した．これらの先行研究ではあらかじめ定めておいた項の位置関係に基づく順序に従った探索を行い，項らしいものが見つかれば以降の探索はしない．そのため，異なる位置関係にある候補との「どちらがより項らしいか」という相対的な比較は行えず，述語と項候補の情報から「どのくらい項としてふさわしいか」という絶対的な判断を行わなければならないという問題点がある．そこで，本稿では，項の位置関係ごとに独立に最尤候補を選出した後，それらの中から最尤候補を1つ選出するというモデルを提案する．位置関係ごとに解析モデルを分けることで，柔軟に素性やモデルを設計できるようになる．また，位置関係の優先順序だけでなく，その他の情報（素性）も用いて総合的にどちらがより``項らしい''かが判断できるようになる．本稿の実験では，まず，全ての候補を参照してから解析するモデルと，特定の候補を優先して探索するモデルを比較して，決定的な解析の良し悪しを分析する．また，陽に項の位置関係ごとの比較を行わないモデルや，優先順序に則った決定的な解析モデルと提案モデルを比較して，ガ格・ヲ格ではより高い性能を達成できたことも示す．本稿の構成は以下のようになっている．まず2章で述語項構造解析の先行研究での位置関係と項へのなりやすさの優先順序の扱いについて紹介する．3章では提案手法について詳述し，4章では評価実験の設定について述べる．5章・6章では実験結果の分析を行い，7章でまとめを行う． |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.