2nd

1. Webマイニングにおける語義曖昧性解消
のための擬似負例を用いた能動学習
高山 泰博,
今村 誠,
鍜治 伸裕,
豊田 正史,
喜連川 優.
情報処理学会論文誌,
vol
2,
No
2,
pp.1-­‐9,2009.
プレゼンテーション
関沢祐樹
2015/08/10
1

2. 概要
• 対象とする問題
– Webマイニングの語義曖昧性解消（WSD）
– 分析対象以外の負例の作成が困難
• 提案すること
– 正例のみで開始する能動学習
– 高い確信度で負例と予測されたラベルなし事例
（擬似負例）を負例として学習
– 人手により負例を作成した場合と大差なし
2015/08/10
2

3. WebマイニングとWSD
• Webマイニング
– 膨大なWebアーカイブから検索要求に関連する
文書を抽出
– 例：雑貨店チェーンの“ロフト”を調べる
• 屋根裏部屋、映画のタイトル なども含まれる
• AND検索をすれば適合率上昇 （再現率は低い）
– 正例は容易に作成できる
– 負例の作成は困難
• 語の多くは固有名詞であり、人手の辞書にはほぼない
2015/08/10
3

4. 擬似負例を用いた能動学習
• 分類器：ナイーブベイズ分類器
– f
:
事例dが持つ素性
– s：意味
• 対象とする意味である：正
• 対象とする意味でない：負
– ここでは、２値分類による語義曖昧性解消を行う
• 曖昧性の対象にするのは名詞のみ
2015/08/10
4

5. 擬似負例を用いた能動学習
• アルゴリズム
– システムに、正例、ラベルなし事例を与える
• 正例は全文探索で集める
– 擬似負例を生成
• 全てのラベルなし事例を負例として、分類器を訓練
– 正例と負例を用いて確信度を計算
• 最も不確かな事例を選択
• 人が割り当てた正しい意味に従って正例、負例に分類
– 決められた個数の事例がラベル付けされるまで学習
2015/08/10
5

6. 実験設定、条件
• データ集合：Web
からクロールして収集した 4
種類の日本語の
blog
データ
(次のスライド)
• ベースライン
– EMアルゴリズムで学習したナイーブベイズ分類器によるクラスタリング
• 評価のために選択したデータ事例集合
– 訓練データ：９０％、 テストデータ：１０％
2015/08/10
6

7. 2015/08/10
7

8. 実験結果
2015/08/10
8

9. おわりに
• 能動学習
– Webマイニングの語義曖昧性解消に重要
• 提案手法
– 擬似負例から始まる能動学習
– 有効な手法であることを示した
2015/08/10
9