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 電気系 山本研究室
06102491 大野 潤一

2. 研究背景
同義語は，
文章の換言や要約など
テキスト処理の分野に必要な語彙知識である
①

3. 既存研究
文脈や語句に依存しない手法
● 言い換えが可能な括弧表現の抽出法 [岡崎ら(2007)]
という表現から同義語を抽出
● 国語辞典からの類義表現抽出とSYNGRAPHデータ構造
による柔軟マッチング [大西ら(2006)]
から[アイス，アイスクリーム]の同義語対を抽出
→ 高精度で語句対を抽出しているが，新聞や辞書を
コーパスとしているため，新語や俗語に弱い
②

4. 提案手法
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リダイレクトページと
エントリページの関係を利用する
Step1 前処理による文の整形を行う
Step2 語彙統語パターン(同義とみなせる表現)を
整形後の文章と照合する
③

5. Step1 前処理
エントリ名:マテガイ，リダイレクト名:馬刀貝
④

6. Step2 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する
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する
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
⑤

7. 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
前処理を施した後，同義判定を行った
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
⑥

8. 実験結果
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/文中に[redirect]が存在する語句対数)
※2：(抽出数/[redirect]が存在しない語句対も合わせた全対数)
同義関係種類 ペアを限定した再現率※1
ペア全体の再現率※2
同義異語句対 41.3% ( 52/126) 13.9% ( 52/ 373)
略語対 28.6% ( 48/168) 9.0% ( 48/ 533)
同義異表記対 39.8% ( 51/128) 8.9% ( 51/ 574)
全同義語対 35.8% (151/422) 10.2% (151/1480)
⑦

9. 実験結果
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/文中に[redirect]が存在する語句対数)
※2：(抽出数/[redirect]が存在しない語句対も合わせた全対数)
同義関係種類 ペアを限定した再現率※1
ペア全体の再現率※2
同義異語句対 41.3% ( 52/126) 13.9% ( 52/ 373)
略語対 28.6% ( 48/168) 9.0% ( 48/ 533)
同義異表記対 39.8% ( 51/128) 8.9% ( 51/ 574)
全同義語対 35.8% (151/422) 10.2% (151/1480)
406,835件のエントリ-リダイレクト対から
36,068語句対を抽出
⑦

10. 考察:再現率について
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
異表記対や略語対は文字列が似ているため
本文中で説明されづらい
再現率の向上には，
語彙統語パターンの拡張
Webページやスニペッドなど
Wikipedia以外の語彙資源を用いる
⑧

11. 考察:誤り解析
● 本手法で抽出した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」
⑨

12. 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
語彙統語パターンの拡張
Wikipedia以外の語彙資源の活用
⑩

13. ご清聴 ありがとうございました

14. リダイレクトページとエントリページの関係
エントリページへ転送するページをリダイレクトページと呼ぶ
このリンクは意味の近い語同士で結ばれているが，
同義ではない語句対も存在する

15. 前処理
●エントリページ本文の
第１節見出しより下の文章を削除
●エントリ名，'''エントリ名'''，「エントリ名」を
囲み記号ごと[entry]に置換
●リダイレクト名も同様に記号ごと[redirect]置換
●[entry]，[redirect]以外の文字列が
上記の記号で囲われていたら[other]に置換
●並列表現{および|または|もしくは|や}を
読点{、}に置換
●小括弧( )で囲われた部分を抜き出し
別の一文にする

16. 実験結果
正しく抽出できたエントリ名-リダイレクト名の例
パターン エントリ名-リダイレクト名 語彙統語パターンに照合した文
名詞 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
名詞 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
文末 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
文末 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
括弧 ポストパンク-Post-punk '''ポストパンク'''（''' Post-punk '''）は･･･、
括弧 ロマ語-ロマニー語 '''ロマ語'''（ロマご、'''ロマニー語'''）は･･･

17. 語彙統語パターン
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

18. [entry],[redirect]の置換
パターンエントリ名，リダイレクト名を[entry]，[redirect]に
置き換えるのは直前の並列表現を抽出しやすくするた
め
エントリ名が「巨人の星」といった語句だと、
名詞、記号列の連続に「の（助詞）」が含まれない

19. 大野-スライド.pdf