1. Wikipediaのエントリ-リダイレクト関係を
対象にした同義関係抽出
長岡技術科学大学
大野 潤一，柴木 優美，山本 和英
①

2. ●
Wikipediaのエントリ名とリダイレクト名は
同義関係を持つ語対が多く存在する
●
同義語はテキスト処理の分野に必要な語彙知識
→新語や造語をはじめとした
文字列の異なる語対についても
高精度で判別することが望ましい
研究背景 ②
同義： 【スパゲッティー ← スパゲティ】
【狙撃手 ← スナイパー】
【微分積分学 ← 微積分】
非同義： 【遺骨 ← 分骨】
【倫理学 ← 倫理学者】
【椅子 ← カウチソファー】

3. 提案手法
本手法では，
●
新語や俗語など頻度の低い語について
○
更新性の優れるオンライン辞書Wikipediaを用いる
(2010年11月2日時点のダンプデータを使用)
●
高い適合率を達成するために
○
同義語句対の候補に
エントリページとリダイレクトページの関係を利用
○
前処理；文の整形を行う
○
語彙統語パターン；収集，拡張を行い文章と照合
③

4. 前処理:ルール ④
前処理前の原文 前処理後の文字列
[entry]
[redirect]
[other]
エントリ名，
'''エントリ名'''，「エントリ名」
リダイレクト名，
'''リダイレクト名'''，「リダイレクト名」
エントリ名，リダイレクト名以外の
'''文字列'''，「文字列」
並列表現
{および|または|もしくは|や}
、 (読点)
小括弧( )内の文字列 (別の一文に抜き出す)
第2節見出し語以下の文章 (削除)

5. 前処理：実例
エントリ名:新潟市歴史博物館，リダイレクト名:みなとぴあ
⑤
'''新潟市歴史博物館'''
（にいがたし・れきしはくぶつかん）は、
[[新潟市]][[中央区 (新潟市)|中央区]]にある
[[博物館]]。
愛称「'''みなとぴあ'''」。
==沿革==
[[1972年]]、「新潟市郷土資料館」として
開館。この間、[[1982年]]には本館に隣接
して石庫が復元され、横を通る市道には、
かつて新潟市中心部に張り巡らされていた
堀も再現された。
郷土資料館としては[[2003年]]に一旦閉館
し、新築・改装など工事が行われた後、
[[2004年]][[3月27日]]、新たに建設された
博物館本館と、移設・復元された旧第四銀行
住吉町支店の公開を開始し、現名称に改称。
[[信濃川]]・[[新潟港|新潟西港]]に面する
ロケーションから「みなとぴあ」の愛称が、
一般公募によって命名された。
==施設==
===博物館本館===
[entry]は、[[新潟市]][[中央区 (新潟市)|
中央区]]にある[[博物館]]
愛称[redirect]
==沿革==
[[1972年]]、[other]として開館
この間、[[1982年]]には本館に隣接
して石庫が復元され、横を通る市道には、
かつて新潟市中心部に張り巡らされていた
堀も再現された
郷土資料館としては[[2003年]]に一旦閉館
し、新築・改装など工事が行われた後、
[[2004年]][[3月27日]]、新たに建設された
博物館本館と、移設・復元された旧第四銀行
住吉町支店の公開を開始し、現名称に改称
[[信濃川]]・[[新潟港|新潟西港]]に面する
ロケーションから[redirect]の愛称が、
一般公募によって命名された
にいがたし・れきしはくぶつかん
(第2節見出し以降は削除)
前処理

6. 語彙統語パターン (1)
●
名詞をキーワードとした語彙統語パターン
→キーワード前後の名詞，記号列中に[redirect]が
存在した場合，エントリ名とリダイレクト名を同義と判定
例) 「名称」の後に[redirect](サガルマータ)が存在した場合
⑥
自称，名称，異称，愛称，和訳，改名，省略，表記，
元の用字，同等の意味，ニックネーム，ペンネーム，･･･

7. 語彙統語パターン (2)
●
文末表現をキーワードとしたパターン
→キーワードより前の名詞，記号列中に[redirect]が
存在した場合，エントリ名とリダイレクト名を同義と判定
例) 「呼ばれる」の前に[redirect](恐水病)が存在した場合
⑦
呼ばれる，称する，略され，表現が用いられ，とも言う，･･･

8. 語彙統語パターン (3)
●
括弧表現を用いたパターン
→エントリ本文内での小括弧( )に対して行う処理
括弧内に[redirect]が存在したら同義と判定
例) ( )内に[redirect](林檎酸)が存在した場合
⑧

9. 評価実験
●
エントリ-リダイレクト対から2,000件を無作為に抽出
●
人手で以下の４種類に同義関係を分類
例)分類した語句対数とその対例
※:上３種類に含まれなかった語句対
同義関係種類 語句対数 エントリ-リダイレクト対例
同義異語句対 373 広島城 - 鯉城
略語対 533 神一ダム - 神通川第一ダム
同義異表記対 574 浅葱色 - あさぎ色
非同義対※
520 灰汁 - あく抜き
⑨

10. 実験結果:適合率と再現率
2,000件のエントリ-リダイレクト語句対について
●
全体の適合率 92.1% (151/164)
●
各同義語句対の再現率
※1：抽出数/[redirect]が存在しない語句対も合わせた全対数
※2：抽出数/文中に[redirect]が存在する語句対数
⑩
同義関係種類
ペア全体の再現率※1
ペアを限定した再現率※2
同義異語句対 13.9% ( 52/ 373) 41.3% ( 52/126)
略語対 9.0% ( 48/ 533) 28.6% ( 48/168)
同義異表記対 8.9% ( 51/ 574) 39.8% ( 51/128)
全同義語対 10.2% (151/1480) 35.8% (151/422)

11. 実験結果:抽出例
正しく抽出できたエントリ名-リダイレクト名と照合した文
パターン 語彙統語パターンに照合した文
名詞
文末
括弧
エントリ名-リダイレクト名
ギリョウバイ-ネズモドキ
針葉樹のネズに似るので
'''ネズモドキ'''の別名もある
静岡県警察-静岡県警
･･･静岡県内を管轄区域とし、
静岡県警と略称する
脇町南町-うだつの町並み
'''うだつの町並み'''と
呼ばれることもある
モンズーン-モンスン
''モンスン'''、'''モンスーン'''などと
表記される場合もある
ポストパンク-Post-punk ''ポストパンク'''（''' Post-punk ''' ）は･･･
ロマ語-ロマニー語 '''ロマ語'''（ロマご、'''ロマニー語'''）は･･･
⑪

12. 考察:提案手法について
ペア全体における再現率の低さ
●
最大の要因はエントリ名に対応するリダイレクト名が
文中に存在しなかったこと
○
異表記対や略語対は文字列が似ているため
本文中で説明がされづらい
○
同義判定ができる条件に限定した場合，
再現率は10.2%から35.8%まで向上する
●
再現率の向上には，
○
語彙統語パターンの拡張
○
スニペッドやWebページなど
Wikipedia以外の語彙資源を用いる
⑫

13. 考察:誤り解析
抽出した161対の内，10対が非同義語句対
●
限定をあらわす表現
○
「特に･･･なものは[redirect]と呼ばれる」
○
「･･･を除いて[redirect]と呼ばれる」
○
「単に･･･という場合は[redirect]を指すことが多い」
●
限定の表現がない場合でも，
エントリの一部について説明している文が残存
→前処理で削除しきれていない
⑬

14. 考察:既存語彙資源との比較
●
Wikipediaの全エントリ-リダイレクト対について
→406,835件から36,068件の同義語句対が抽出
→全対に対しての再現率は 8.9%
●
日本語WordNetと重複した語句対は1,172件
→全エントリ-リダイレクト対の3.2%が重複
などの普通名詞が多く存在
⑭
セキレイ- 鶺鴒，領収書 - レシート

15. 結論
●
3種類の語彙統語パターンを用いて
前処理を施したエントリ-リダイレクト語句対2,000件の
同義抽出を行った
→適合率 92.1% ，全体の再現率 10.2%
→全エントリ-リダイレクト対から36,068件抽出
●
表層の異なる同義異語句対が抽出されやすい
●
より多くの同義語句対を抽出するには
o 語彙統語パターンの拡張
o Wikipedia以外の語彙資源の活用
⑮