日本計算機統計学会第28回シンポジウム2014年11月14日-15日 沖縄科学技術大学院大学（OIST）

1. レコードリンケージに基づく
研究分野マッピングの導出
蔵川圭 孫媛
国立情報学研究所
1
日本計算機統計学会第28回シンポジウム
2014年11月14日-15日 沖縄科学技術大学院大学（OIST）

2. 発表の構成
• 背景
– 研究評価
– 研究のインプットとアウトプット
– 共通の研究分野分類によるインプット・アウトプット評価
• 目的
– 科研費研究分野分類とWeb of Science分野分類のマッピング
• アプローチ
– 科研費データベースとWoSデータベースから2つの分類の分
割表を構築する*
– 分割表から、誤差を考慮したマッピングテーブルを導出する
• 実際のデータを用いたマッピングの例示
• 結論と今後の展望
2
蔵川圭, 孫媛, 相澤彰子: 科研費研究分野とWeb of Scienceサブジェクトエリアのマッピン
グ. NIIテクニカル・レポート. NII-2014-002J, 174 pages (2014).
*

3. 研究開発の投資効果の現状分析
• 研究開発における戦略や政策の重要性
– 科学技術基本計画
– 研究開発戦略室
• 投資効果の現状分析
• 研究開発の投資効果とは、研究開発プロセ
スへのリソースのインプットに対するアウト
プット
3

4. • 効果分析では、インプットとアウトプットのリソースに関
連した属性とそこから導かれる指標を様々な分類軸を
導入して観察する
研究のインプットとアウトプット
• 研究開発プロセスへのリソースのインプットと
アウトプット
4
研究活動
インプット
アウトプット
研究者
研究開発費
実験資材
など
研究論文
特許
開発成果物
など
O = RA(I)
分類
分類
分類
国
機関
セクター
研究分野
など
一致している必要がある

5. 本研究の目的
• アウトプットの一つとして論文に着目
– 論文に関する情報源であるWeb of Science(WoS)データベー
スを取り上げる
• 引用指標
• インパクトファクター
• h-インデックス
• など
• 分類軸として取り上げられることの多い研究分野に着目
– 日本においては、インプットを科研費の研究分野分類を用いて
分類して議論することが多い
– WoSデータベースでは、固有のサブジェクトカテゴリで指標が
算出されている
• 科研費の研究分野分類とWoSサブジェクトカテゴリの対応
関係を示したマッピングを導出することを目的とする
5

6. 科研費研究分野分類と
Web of Scienceカテゴリの対応
6
論
文
論
文
論
文
論
文
論
文
論
文
論
文
論
文
論
文
論
文
学術
誌
学術
誌
学術
誌
学術
誌
学術
誌
科研費研究分野分類
…
Web of Science Category
…
研究
課題
研究
課題
研究
課題
研究
課題
研究
課題
発表
論文
発表
論文
発表
論文
発表
論文
発表
論文
発表
論文
発表
論文

7. 分割表作成のフレームワーク
7
科研費研究分野
WoSカテゴリ
ESIリサーチフィールド(予定)
研究課題
実績報告書
発表文献
学術雑誌
論文
同一性判定する
包含
包含
包含
分類
分類
マッピングをとる

8. レコードリンケージ
• たとえば、論文の同一性判定
– 文献の表記と論文の書誌事項の記載が若干異なる
ために同一性を判定するには単純な文字列比較で
はできない
– 大量の文献と書誌を比較するためには特別なアルゴ
リズムを構築して同一性判定する
• ここでは、以下の技術を用いた2段階プロセスで
同一性判定を行う
– 相澤らによって開発された高速に同定候補を挙げる
i-Linkage
– 機械学習アルゴリズムの一つで2値分類器である
SVM(Support Vector Machine)
8

9. 科研費研究分野とWoSカテゴリを2軸
とする分割表の作成
9
2種類のカウント法：整数カウントと分数カウント
4系・10分野・67分科・284細目
251サブジェクトカテゴリ
f11 f12 f13
f21 f22 f23
f11 f12 f13
fij
...,Bi,...,B3,B2,B1
科研費研究分野
WoSカテゴリ
S1, S2, S3, . . . , Sj, . . .

10. 10
251WoSサブジェクトカテゴリ x 67科研費分科 （整数カウント）

11. i-Linkageによる書誌同定候補のブ
ロッキング
• 同定候補の範囲を狭め、より高コスト高性能
なSVMによる同定判定を限定適用し、トータ
ルな計算コストを最小化
– Top-Nによる足切り
– Scoreによる足切り
11
ソース書誌 １件
i-Linkage
クエリ
レスポンス
Client
ターゲット書誌 Top-N件 with Score
3,925,776件
173,940件

12. ブロッキングの性能分析(1/2)
12
EN
0 50000 100000 150000
0.00.20.40.60.81.0
Top-5 scores of ranked query (sampling step ratio = 1/1000)
Rank (top score in top-5)
Score
TRUE
FALSE

13. ブロッキングの性能分析(2/2)
13
EN
Exact-1 Exact-2 Exact-3 Exact-4 Exact-5
TRUE/FALSE count in Exact-K (sampling step ratio = 1/1000)
02004006008001000
395
608
3
985
1
976
0
964
0
950
T
F

14. SVM モデルの性能分析
Training data set
True / False
Accuracy
Precision
Recall
F-measure
All
393 / 4489
98.8326 95.1755 90.3846 92.5095
Top-5 & score>0.29
333 / 330 93.6680 94.8397 92.4777 93.5875
Top-5 & score>0.28
339 / 397
94.4280 95.3560 92.6292 93.8427
Top-3 & score>0.276
342 / 341 93.9919 94.7439 93.2689 93.9147
Top-3 & score>0.27
344 / 380 94.4673 95.8109 92.4118 94.0384
Top-3 & score>0.264
350 / 411 94.2174 94.7868 92.8571 93.6511
Top-1 & score>0.16
387 / 395 95.0162 94.9245 95.1012 94.9804
Top-1 & score>0.1
389 / 565
95.9145 95.6311 94.3387 94.9600
Top-1 & score>0.09
389 / 585
95.7932 95.2667 94.3387 94.7375
14
１０分割交差検定, Kernel type = Linear
英語文献 正解データ 4882点から抽出した場合

15. 誤差を考慮した分野マッピング
• ある論文の科研費研究分野とWoSカテゴリへの関係を示すカテゴ
リ変数 のクロス集計の度数 は、ゼロ以上の値を持つポア
ソン分布型の観測度数
• ポアソン分布を仮定すると、信頼区間を算出できるが、それ以上
の有為な関係を導きだしたい
• そこで、科研費のある研究分野 ごとにWoSカテゴリ の度数
を降順に並べ替え、
となるよう順序付けたWoSカテゴリ を定める
• ランク順分布は、様々な自然現象の中で、Zipfの法則として観察さ
れるが、
• 本実験で観察された分布は、ランクの最大値が固定のため、観測
値としてスケールフリー性を示しつつもランク幅が固定された分布
関数を仮定して、モデルの当てはめを行うこととする
15
Bi, Sj fij
Bi
fi1, · · · , fij, · · · , fin f0
i1 > · · · > f0
ij > · · · > f0
in
S0
S

16. 離散一般化ベータ分布(DGBD)
• Naumis, G.G., Cocho, G.: Tail universalities in rank
distributions as an algebraic problem: The beta-like function.
Phys. A Stat. Mech. its Appl. 387, 1, 84–96 (2008).
• Martínez-Mekler, G. et al.: Universality of rank-ordering
distributions in the arts and sciences. PLoS One. 4, 3, e4791
(2009).
• A discrete version of the continuous random variable
generalized beta distribution
– The discrete generalized beta distribution (DGBD)
16
,where is the rank value, its maximum value, a normalized constant
and two fitting components
r
(a, b)
KR
K ⌘
RX
r=1
ra
(R + 1 r)b
f(r) = K
(R r + 1)b
ra

17. 1
2
3
4
5
6
7
8
9
1010
20
30
40
50
60
70
80
90
100100
200
300
400
500
600
700
800
900
10001000
0 50 100 150 200
Rank
Count
field
l1-01-総合・新領域系
17
(a, b, R2
) = (0.060624, 0.737532, 0.993102)
R2
= 1 deviance(Mfitted)/
X
i
{yi ¯yi}2

18. 1
2
3
4
5
6
7
8
9
1010
20
30
40
50
60
70
80
90
100100
200
300
400
500
600
700
800
900
10001000
2000
3000
4000
5000
6000
0 50 100 150 200
Rank
Count
field
l1-01-総合・新領域系
l1-02-人文社会系
l1-03-理工系
l1-04-生物系
18
l1-01: (a, b, R2
) = (0.060624, 0.737532, 0.993102)
l1-02: (a, b, R2
) = (0.081280, 1.374165, 0.986827)
l1-03: (a, b, R2
) = (0.020089, 1.086945, 0.992140)
l1-04: (a, b, R2
) = (0.022946, 0.974362, 0.993961)

19. 1
2
3
4
5
6
7
8
9
1010
20
30
40
50
60
70
80
90
100100
200
300
400
500
600
700
800
900
10001000
2000
3000
0 50 100 150 200
Rank
Count
field
l2-01-総合領域
l2-02-複合新領域
l2-03-人文学
l2-04-社会科学
l2-05-数物系科学
19
l2-01: (a, b, R2
) = (0.093843, 0.851990, 0.990958)
l2-02: (a, b, R2
) = (0.041544, 1.201662, 0.989316)
l2-03: (a, b, R2
) = (0.172278, 1.888834, 0.970143)
l2-04: (a, b, R2
) = (0.069682, 1.581107, 0.983542)
l2-05: (a, b, R2
) = (0.083868, 1.302309, 0.992243)

20. 1
2
3
4
5
6
7
8
9
1010
20
30
40
50
60
70
80
90
100100
200
300
400
500
600
700
800
900
10001000
2000
3000
0 50 100 150 200
Rank
Count
field
l2-01-総合領域
l2-02-複合新領域
l2-03-人文学
l2-04-社会科学
l2-05-数物系科学
l2-06-化学
l2-07-工学
l2-08-生物学
l2-09-農学
l2-10-医歯薬学
20
l2-01:(a, b, R2
) = (0.093843, 0.851991, 0.990958)
l2-02:(a, b, R2
) = (0.041544, 1.201662, 0.989316)
l2-03:(a, b, R2
) = (0.172279, 1.888833, 0.970143)
l2-04:(a, b, R2
) = (0.069683, 1.581106, 0.983542)
l2-05:(a, b, R2
) = (0.083868, 1.302309, 0.992243)
l2-06:(a, b, R2
) = (0.026035, 2.035807, 0.993300)
l2-07:(a, b, R2
) = (0.046317, 1.111342, 0.989435)
l2-08:(a, b, R2
) = (0.115364, 1.267557, 0.990455)
l2-09:(a, b, R2
) = (0.002781, 1.696132, 0.990693)
l2-10:(a, b, R2
) = (0.014864, 1.092725, 0.993683)

21. 結果と考察
• 科研費研究分野分類の４系ごと、10分野ごとに251WoSカテゴリ
へのランク-頻度分布に対し、離散一般化ベータ分布DGBDを
フィッティングし、決定係数R2 = 0.99 – 0.97を得た
• 科研費研究分野 ごとの頻度の総数 の多い方がR2が
1.0に近い傾向がある
• ランクの幅や分布形状は多様
• 観測値として同一頻度の分布は同一ランクであり、フィッティングし
たモデルとあわせて、マッピングテーブルをどのように構成するか
という問題は残る
• Rに標準の非線形最小二乗ソルバーnlsよりロバストなnlmrtを用
いたが、パラメータ初期値の与え方によって最適解の導出できな
い場合があり、依然初期値設定に工夫が必要である
21
X
j
fijBi

22. 結論と今後の展望
• 科研費の研究分野分類とWoSサブジェクトカテゴリの対応関係を
示したマッピングを導出することを目的とし、
• 科研費報告書データベースとWoSデータベースに対し、レコードリ
ンケージの技術（i-LinkageおよびSVM）を用いて、2つの分野の分
割表を作成、
• 分割表から誤差を考慮した分野マッピングテーブル作成のために、
そのランク順分布が普遍性を持って現れると仮定して離散一般化
ベータ分布DGBDを当てはめ、決定係数R2=0.99-0.97で当てはま
る様子を見た。
• 今後は以下を検討する
– 例示した以外の分野でのランク-頻度分布のフィッティング
– WoSデータベースを用いた機関評価に用いられるESI(Essential
Science Indicator)リサーチフィールドの22分野に対するフッティング
– 非線形最小二乗法におけるパラメータ初期値の与え方
22