1. 2014/10/22
情報処理学会東海支部主催講演会@名古屋大学
企業における⾃自然⾔言語処理理技
術の活⽤用の現場
（株）Preferred Infrastructure
海野 裕也

2. ⾃自⼰己紹介
海野 裕也
l -2008 東⼤大情報理理⼯工修⼠士
l ⾃自然⾔言語処理理
l 2008-2011 ⽇日本アイ・ビー・エム（株）東京基礎研
l テキストマイニング、⾃自然⾔言語処理理の研究開発
l 2011- （株）プリファードインフラストラクチャー
l ⾃自然⾔言語処理理、情報検索索、機械学習、テキストマイニングなど
の研究開発
l 研究開発系案件の担当、コンサルティング
NLP若若⼿手の会共同委員⻑⾧長（2014-）
2

3. 会社紹介
Preferred Infrastructure, Inc. (PFI)
l 設⽴立立: 2006年年3⽉月
l 場所: 東京都⽂文京区本郷
l 従業員数: 36
l ミッション:
Bring cutting-‐‑‒edge research advances
to the real world.

4. 主な事業
l 企業向けソフトウェアの開発販売
l 主に、企業向けの検索索エンジン、レコメンドエンジ
ン、データ解析エンジンなど
l 顧客企業の研究開発コンサルティング
l 新技術の調査や導⼊入のアドバイスや⼿手伝い
l 共同実証実験
4

5. ⾃自然⾔言語処理理とは
⾃自然⾔言語（⼈人の話す⾔言葉葉）をコンピュータで処理理させるた
めの技術
l 主な応⽤用：⽇日本語⼊入⼒力力、機械翻訳、⾃自動要約など
l ⾔言語学、機械学習、最適化、統計などの技術と関わりが
深い
古⽂文書 仕様書電子カルテ twitter
5

6. ⾃自然⾔言語処理理の⽅方向性は⼤大きく分けると2つ？
l ⾔言葉葉の構造を明らかにすること
l ランダムなアルファベット列列と、正しい⽂文の間には
⼤大きな壁がある
l 同じ意味を表す複数の表現と、同じ表現に対する複
数の意味解釈が存在する
l ⾔言葉葉から情報を得ること
l ⾃自然⾔言語のデータから、意味のある情報を取り出す
l 取り出した情報をいかに活⽤用するか
6

7. 具体的な研究課題
l ⾔言葉葉の構造を明らかにする研究
l 形態素解析、構⽂文解析、述語項構造解析、意味役割
付与、照応解析、共参照解析、曖昧性解消、談話解
析、⽂文⽣生成、⾃自動要約、機械翻訳
l ⾔言葉葉から情報を得る研究
l 情報抽出、関係抽出、知識識処理理、情報検索索、テキス
トマイニング、質問応答
PFI含め、企業の研究はこちらが多い印象
7

8. 3つの観点から⾃自然⾔言語処理理の取り巻く環境をまと
める
1. データの変化
2. デバイスの変化
3. 技術の変化
8

9. 1. データの変化

10. ⾃自然⾔言語データを取り巻く問題
l 多様化
l 様々なデータ源
l 多⾔言語
l 書き⾔言葉葉・話し⾔言葉葉・ネットスラング
l ⼤大規模化
l インターネット、WWWの発達
l ネットニュース、掲⽰示板やBlog
l SNSなどのカジュアルなテキストデータの爆発
10

11. 利利⽤用事例例はどんどん多様化
実社会の中でNLPがどのように使われているのかを紹介す
る
l 医療療・ヘルスケア
l 製造
l EC
l ⽂文献・特許
l 社内情報
l SNS解析
l 広告
11

12. 医療療・ヘルスケア
l 電⼦子カルテの⼊入⼒力力⽀支援・情報抽出
l 診断⽀支援 c.f. IBM Watson
l 伝染病の流流⾏行行予測
l Google Flu 下図（特定クエリログの検索索回数履履歴から推定）
http://www.google.org/flutrends/about/how.html
12

13. 製造
l 部品名の名寄せ: 国毎、⼯工場毎に違う名前を使ってお
り、必要な部品を融通しようと思った時に分からない
l ⾃自由⽂文で書かれたノウハウ（故障履履歴、作業改善案）を
機械的に処理理可能にする仕組み
l コールセンターに寄せられる不不具合報告情報を整理理・活
⽤用するための取り組み
13

14. EC
l 楽天、Amazonなど⼤大量量の商品を扱うサイトが利利⽤用する
検索索
l ECサイトの多くは、外部検索索エンジン（Googleなど）から直接
来た後に商品を絞り込むために利利⽤用する場合が多い
l ECサイトによって⾃自作・チューニングしている場合も多い
l 各ECサイトの検索索エンジンを考察してみるのは⾯面⽩白い
楽天、Amazon、ZOZOTOWN など
l 必要なNLP技術
l クエリ拡張（製品名などはそのままヒットしない）
l 商品属性の抽出（製品名、原材料料、⾊色、キャッチコピー）
l 名寄せ この商品とこの商品は同じ？バージョン違い？
l レコメンド
l 商品情報の⽂文章から、お薦めできるかどうかを分析する

15. ⽂文献・特許
l 研究機関やコンサルタントが⽂文献や特許を調査する際に
利利⽤用
l 漏漏れは許されない．関連結果を全て調べる．数千件⾒見見る場合も
l 概念念が似たキーワード、⽂文書を分析し漏漏れ無く取得したい
l 「iPS細胞」で検索索したら、それに関係しそうな概念念も全て調べ
る必要がある
l 各企業、政府が今どのような⽅方針をとっているのかも調べたい
→⾦金金融業界などでの利利⽤用も多い
l 誰が⾔言っているのか、影響はどのくらいかの分析も重要
l 情報フィルタリングと同じように、クエリを仕掛けてお
いて、新しい情報が⼿手に⼊入ったらすぐアラートを⾶飛ばす
仕組みも

16. ⼈人材・⼈人事
l ⽂文書と組織のマッチング
l 情報と⼈人のマッチングを⾔言語情報を介して⾏行行い、情報を共有す
べき⼈人に⾃自動的に必要な情報をpushする
l 組織変更更があった時に、どの⽂文書（情報）をどの組織に割り当
てるのかの設定を⼈人⼿手で⾏行行うのは⾮非常に困難だが、それを⾃自動
で⾏行行う
l ⼈人事への応⽤用
l その⼈人の持っているスキルと,そのレベルをレジュメなどを元に
⾃自動推定し、その結果を検索索などで利利⽤用できるようにする
l レジュメを⽂文書分類する．正解データはクラウドソーシング
で作る
l 転職斡旋会社や、⼤大企業の⼈人事などで使われる
l linkedinなどで⼤大規模な適⽤用例例をみることができる

17. 社内情報
l 業務⽂文書解析
l メール、議事録、掲⽰示板、契約書、設計書、部品書
l 例例：ミーティングの場所、出席者、議題などを⾃自動抽出
過去の関連⽂文書を全て⾒見見つける
l エンタープライズ検索索
l 国内市場は100億円程度度だが、近年年ビッグデータ解析の流流⾏行行と
ともにデータベース市場、BI市場と融合してきつつある
l ビッグデータ解析の要素技術として重要であり、世界最⼤大⼿手は
皆買収された．Fast（MS）、Autonomy (HP）、
Endeca（Oracle）
l ⽂文書の⾃自動分類（タグ付）、整理理、組織名や⼈人名、製品
名の抽出、そして、それらの名寄せが利利⽤用される
l ⽂文書分類、固有表現抽出、照応解析

18. SNS解析
l SNSの⼤大流流⾏行行
l SNSのメディアとしての影響⼒力力が強くなった
l SNS上での情報の解析、影響の解析のニーズが⾼高まる
l 広告業界や⼀一般消費者向け企業が強い興味を⽰示す
l 全世界で使われることによる、多⾔言語化の影響が⼤大きい
l 技術的にはBlog解析と類似
l Blog解析は2000年年代中頃にブーム
l 例例：ブログウォッチャー（2004-）
l 話題の追跡、プロフィールの解析、友⼈人関係の解析など、テー
マは⾮非常に似ている
18

19. 広告
l ユーザーの属性分析
l プロフィール、tweet内容から、性別、年年齢、職種、趣味、家族
構成、年年収、各製品/企業への嗜好などが分析できる
l ある商品がどのような⼈人にウケている、外れているといった
マーケティング分析への利利⽤用
l 第三者広告配信の広まりとともに、ユーザーと広告のマッチン
グはキーテクノロジーになっている
l 第三者配信
広告を
出したい人達
広告を出せる枠を持った人
(ウェブサイトを持っている人）
広
告
この⼈人なら、この広告は⾼高確
率率率で押すから、⾼高値で⼊入札！
第三者配信

20. Intimate Merger
l 2013/06/19 フリークアウトとの合弁会社を設⽴立立
l 広告配信のために、配信先ユーザー情報の⼤大規模データ
を解析
20

21. ⼀一⾔言で⾔言語処理理と⾔言っても適⽤用⽅方法は様々
l 業種によって異異なる要求
l 検出漏漏れがないことが重要な場合と、間違いが少ないことが重
要な場合
l かっちりした⽂文書から、⾛走り書きの⽂文書まで
l 情報を⾒見見つける、整理理する、最適化する・・
l 1つの技術だけでは解決しないことも多い
l 検索索、類似⽂文書、情報抽出、etc.
l 可視化、UI、時系列列解析、統計分析など異異なる技術との組み合
わせが必要な場合もある
21

22. ⾔言語資源の⼤大規模 (1/2)
l SNS
l Twitter : 2.3億 active user *1
l Facebook : 11.9億 active user *2
l LINE : 2.0億 user*3
l 論論⽂文
l Peer reviewed Journal で 135万 article / 年年*4
l 年年率率率 4〜～10%の増加, 15年年で2倍に
l conference proceedings などは更更に⾼高い増加率率率
*1 http://weekly.ascii.jp/elem/000/000/084/84331/
*2 http://www.prnewswire.com/news-releases/facebook-reports-third-quarter-
22
2013-results-229923821.html
*3 http://en.lineblog.naver.jp/archives/30767259.html
*4 http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2909426/

23. ⾔言語資源の⼤大規模 (2/2)
l 専⾨門家すら全ての情報に触れることは困難
l 関連する領領域も急速に拡⼤大している
l SNS, 電⼦子ジャーナルなど情報発信能⼒力力は急激に増えた
が、⼈人の処理理能⼒力力は急激に増えないのでアシストツール
が必須
l ⼤大量量の情報から必要な情報のみを集める
l 情報フィルタリングツール
l 情報要約ツール
l SNSを中⼼心に情報はリアルタイムで発⽣生する
l 秒間数千〜～万, これらの結果に反応できるか
23

24. 情報フィルタリング
l アドホック検索索：クエリが動的、対象⽂文書が静的
l Googleなどのウェブ検索索などいわゆる普通の検索索
l 情報フィルタリング：クエリが静的、対象⽂文書が動的
l 近年年のキュレーションアプリがこれらの技術に近づいている
クエリが動的
（ユーザーが毎回⼊入⼒力力）
結果はpull型
クエリが静的
（決まっている）
結果はpush型
⽂文書が動的
（ニュース、
twitter）
情報フィルタリング
はてブのカテゴリ、
キュレーションアプリ
⽂文書が静的（ウェブ
ページ、製品情報）
アドホック検索索
（ウェブ検索索など⼀一般の
検索索の概念念はこれ）

25. 例例：災害対策
地域、トピック、時間で情報をフィルタリング
25

26. 例例：ユーザー属性フィルタリング
各ユーザー属性にに関連するtweetのみを抽出する
26

27. データの変化まとめ
l 適応領領域の増⼤大とデータの多様化
l ⾃自然⾔言語のデータはあらゆるビジネス領領域で利利⽤用されている
l あらゆる領領域で、これらのデータ分析のニーズは⾼高まっている
l 対象領領域ごとにデータの違いのみならず、要求⽔水準や必要な技
術もまるで異異なる
l データの⼤大規模化とフィルタリング技術
l ⼤大規模化、多様化が急速に進んでいて、⼈人間の処理理能⼒力力を上
回ってきている
l 情報を取捨選別する仕組みが必要とされている
27

28. 2. デバイスの変化

29. 減少するパソコン、増加するスマートフォン
総務省平成24年度版情報通信白書より
http://www.soumu.go.jp/johotsusintokei/whitepaper/ja/h24/html/nc122310.html

30. スマートフォンになってから注⽬目され始めた⾃自然⾔言
語処理理技術
l ⾃自然⾔言語処理理を活⽤用した技術が急に注⽬目をあび
るようになる
l 何が起こっているのか？
30

31. ⾳音声インターフェイス: Siri、しゃべってコンシェル、
⾳音声アシスト
https://www.nttdocomo.co.jp/service/information/shabette_concier/
31
https://www.apple.com/jp/ios/siri/
http://v-assist.yahoo.co.jp/

32. ニュースキュレーション：Gunosy, SmartNews
http://gunosy.com
32
https://www.smartnews.be/

33. スマートフォン時代にブレークした技術（1/2）
l 予測⼊入⼒力力
l 1970年年代にはアイデアがあったが、PC向けには普及しなかっ
た
l 携帯電話の普及に合わせて⽬目にするようになり、今では当たり
前に
l ⾳音声⼊入⼒力力
l ⾳音声⼊入⼒力力ソフトは2000年年前後に⼀一⻫斉に発売されたが、結局キー
ボードを置き換えなかった
l ところが、スマホからの⾳音声検索索や⾳音声インターフェースに
なって花開く
33

34. スマートフォン時代にブレークした技術（2/2）
l 情報収集技術
l RSSリーダーをはじめ、情報収集アプリは2000年年台前半には存
在した
l ⼤大々的に普及するようになったのはつい最近
l 機械翻訳（これから？）
l 機械翻訳ソフトは2000年年前後に⼀一⻫斉に発売されたが、結局普及
しなかった
l ⼗十分な翻訳リソースの得られない旅⾏行行シーンなどで役に⽴立立つは
ず
34

35. デバイスの変化と特質の変化
35
入力の
自由度
出力の
自由度
即応性
常備性

36. 変化にあったソフトウェアの必要性
l 不不⾃自由な⼊入出⼒力力をサポートできるか？
l キーボードやマウスのようなデバイスは使えない
l ⼤大画⾯面で⼤大量量の情報を提⽰示することはできない
l いつでも持っていることを活かせるか？
l 秒単位で通知する必要の情報を提供できる
l どこにいても情報にアクセスできる
36

37. ブレークした技術はデバイスの特徴を捉えている
l 予測⼊入⼒力力
l 不不⾃自由な携帯電話の⼊入⼒力力インターフェース
l ⾳音声⼊入⼒力力
l 不不⾃自由な携帯電話の⼊入⼒力力インターフェース
l ⻑⾧長い⽂文章より、検索索などの短いクエリーの⼊入⼒力力をサポート
l 情報収集技術
l 細かい検索索条件を⼊入⼒力力するのは難しいため、⾃自動で情報を収集
して欲しい
l 開いた時間に利利⽤用する事が増えて、明確な⽬目的を持って情報を
探すことが減った
l 機械翻訳
l 時間をかけて正確な翻訳をするより、⽇日常⽣生活における最低限
の翻訳が必要なシーンでの利利⽤用
37

38. ウェアラブルデバイスではコンテキストを読む必要
がある
l 細かい条件の⼊入⼒力力はより困難になる
l 利利⽤用者の状況を機械が読み取って、補完する必要がある
l Google Nowがやろうとしている⽅方向性
38
天気
予定
所持金
時間

39. コンテキストを読むために、⾃自然⾔言語処理理や知識識処
理理の技術の重要度度は⾼高まるだろう
曖昧なテキスト
具体的な意味
異なる意味間の推論
お昼前に〜～12:00
銀座で〜～東京都銀座
l 複数の曖昧な情報間の関係を明らかにする必要がある
l 場合によっては⾃自然⽂文で書かれた情報を扱う必要がある
39
移動時間:25分

40. 更更にその先：ビットからアトムへ
l コンピュータの世界
l 外部とマウスやディスプレイ等の⼀一部の機器でつながっている
l ヒトの世界
l 聴覚や視覚を通じ、主に⾔言葉葉を使ってつながる
l モノの世界
l あらゆる物理理現象を検知してアクションを引き起こす
40

41. IT産業の興味が急速にモノの世界へ
l コンピュータの時代
l 主要な⽬目的は「計算」
l いかに⾼高速に計算するか（CPU）
l いかに⾼高速に通信するか（ネットワーク）
l ヒトの時代
l 主要な⽬目的は「操作」
l いかに簡単に操作させるか（UI）
l いかに情報を提⽰示するか（可視化）
l モノの時代
l 主要な⽬目的は「解析」
l いかに物理理現象から情報を引き出すか（データ解析）
l いかに現実世界にアクションを引き起こすか（ロボット）
41
転換期

42. ⼤大⼿手企業が次々に情報の世界を⾶飛び出そうとしている
l IBM: Smarter City
l Cisco: Internet of Everything
l GE: Industrial Internet
l Google: ⾃自動⾞車車の⾃自動運転、Google Glass
l Amazon: ⾃自動宅宅配（Prime Air）
l Intel: IoT向けのEdisonを開発
htt4p2
://www.amazon.com/b?node=8037720011

43. IoTやウェアラブルといったキーワードが話題に
43

44. コンピュータの役割が変わっていく
l コンピュータの時代
l ⼊入⼒力力：データや計算（コード）
l 出⼒力力：データや計算結果
l 役割：計算やデータの移動
l ヒトの時代
l ⼊入⼒力力：マウスやキーボードを通じた、ヒトのアクション
l 出⼒力力：画⾯面や⾳音
l 役割：映像や⾳音声の作成・再⽣生、可視化
l モノの時代
l ⼊入⼒力力：カメラ、マイク、センサーを通じた⾃自然現象
l 出⼒力力：モーターやエンジンなど、機械の動作
l 役割：状況の解析、アクションの決定
44

45. Preferred Networks
l IoTにフォーカスしたリアルタイム機械学習技術のビジ
ネス活⽤用を⽬目的とした 株式会社Preferred Networksが
PFIよりスピンオフ
45

46. 46

47. 47

48. インターフェースとしての⾃自然⾔言語
l コトバは⼈人間に情報を伝える重要なツール
l センサーの⽣生データは⼈人間には読めない
l ⾳音声の波形データは、⽂文字におこして初めて理理解できる
l 映像情報のままでは検索索もままならない
l ヒトの存在する限り重要性は変わらない
l ⼈人間とのインターフェースとして必要性がなくなることはない
l 逆にヒトが排除されて⾃自動化されていく領領域では、コトバの重
要度度が下がる可能性もある
48

49. デバイスの変化・まとめ
l デバイスの変化に合わせて技術の重要度度は変わる
l スマートフォンの出現で花開いた技術は沢⼭山ある
l デバイスに合ったプロダクトが必要
l 徐々にモノ同⼠士がやりとりする世界に変化する
l テキストから、⾳音声や映像、センサーの⽣生データ
l ⽬目的も、ヒトによる分析から、機械による⾃自動化が⽬目的になる
だろう
l テキストは⼈人間とのインターフェースとしての重要性は
依然として変わらない
49

50. 3. 技術の変化

51. ⾃自然⾔言語処理理は応⽤用領領域なので様々な技術と関わり
が深い
データベース情報検索索
⾃自然⾔言語処理理
機械学習⾔言語学
統計
⼈人⼯工知能
最適化

52. ⾃自然⾔言語処理理は外の技術を輸⼊入しやすい
l 機械学習
l 1993: 統計的機械翻訳 [Brown+93]
l 1996: 最⼤大エントロピー法 [Berger+96]
l 2001: 条件付き確率率率場 [Lafferty+01]
l ベイズ統計
l 2003: Latent Dirichlet Allocation [Blei+03]
l 2006: Pitman-Yor language model [Teh06]
l 最適化
l 2006: 整数線形計画法 [Clarke+06][Riedel+06]
l 2010: 双対分解 [Koo+10][Rush+10]
l 深層学習
l 2003: Neural language model [Bengio+03]
l 2010: Recurrent Neural Network [Mikolov+10]
l 2012: Skipgram Model (wo5r2 d2vec) [Mikolov+13]

53. 深層学習ブームをどう⾒見見るか？
l 単なる⼀一時のブームなのか？
l これまでを振り返りながら少し考えてみる
53

54. 1. 深層学習が次々に⾼高精度度を達成
l 2011: ⾳音声認識識でエラー率率率が30%台 à 20%台に
l 2012: ⼀一般物体認識識でエラー率率率が26% à 16%に
http://image-54n
et.org/challenges/LSVRC/2012/ilsvrc2012.pdf

55. 2. ⼤大企業による投資、⼈人材争奪戦
l 2012/3: GoogleがHintonらDNNresearchを買収
l 2012/4: BaiduがInstitute of Deep Learningを設⽴立立
l 2012/8, 10: Yahoo!がIQ EnginesとLookFlowを買収
l 2012/12: FacebookがAI Lab設⽴立立し、LeCunが所⻑⾧長に
l 2014/1: GoogleがDeepMindを買収
l 2014/5: Andrew NgがBaiduへ
l 2014/8: IBMがSyNAPSEチップを発表
主要な深層学習の研究者のほとんどが企業へ
55

56. 3. メディアが⼤大々的に取り上げる
l 2014/1 ⽇日経コンピュータ
特集「『機械学習』⾰革命」
l 2014/10 ⽇日経コンピュータ
特集「ビッグデータは⼈人⼯工知能に任せた！」
異異様な盛り上がり
56

57. 海野の主観的な深層学習に対する印象
l メディアの取り上げ⽅方がすごい
l 過去にブレークスルーと⾔言われた技術に⽐比べて、メ
ディアの取り上げ⽅方が圧倒的に⼤大きい
l 呼応するように顧客企業の反応や期待が⼤大きい
l 取り上げ⽅方には誇張も含まれている
l 現実的には既存のタスクを今までと考えられないほ
ど⾼高精度度に解けた、というものが多い
l 問題設定そのものが変わる話というのは少ない
l もちろん、そこにチャレンジするグループはある
57

58. ⾃自然⾔言語処理理における深層学習はどうか？
l ブレークスルーだという研究はまだ少ない
l 構⽂文解析や評判分析で、⻑⾧長年年チューニングされた精
度度と「同程度度」の精度度を達成した
l 最近、Googleが機械翻訳で⾼高精度度を達成したのが話
題になっている
l ⾔言語処理理ではまだこれから？（主観です）
l 複雑な規則の必要だった意味処理理などの分野で活躍
しそう
l 問題の定式化の難しかった領領域（例例えば語義曖昧性
解消）に対して、新しい問題の定式化が出現しそう
58

59. Neural Network Language Model (NNLM) [Bengio
+03]
l Nグラム⾔言語モデルを
NN化
l 連続N-1⽂文字から、次
の⽂文字を当てる確率率率モ
デルのニューラルネッ
トを構築する
59

60. Recurrent Neural Network Language Model
(RNNLM) [Mikolov+10]
l t-1⽂文字読んだときの「状態」
をベクトル化して、t⽂文字⽬目を
その「状態」から当てる
l NNLMでは直前N⽂文字のベクトル
から次を当てていた
l 直前までの⽂文脈情報が埋め込
まれている雰囲気
l http://rnnlm.org
60
⽂文字、単語
隠れ層次の⼊入⼒力力
時刻 t-‐‑‒1 の隠れ層
の予測
コピー

61. Skip-gramモデル (word2vec) [Mikolov+13]
l 周辺単語を予測するモデル
l 周辺単語から予測するモデル
（CBOW）も提案している
l Analogical reasoningの精度度が
劇的に向上
l 実装（word2vec）が公開され
て⼀一気に話題に
61

62. 意味の合成を⾏行行列列で表現する (MV-RNN) [Socher
+12]
l 各単語にはベクトルと⾏行行列列が対応する
l 修飾されると、お互いの⾏行行列列を相⼿手のベクトルに掛けて、
さらに⾮非線形な変換 f を段階的に⾏行行う
l Rootまで繰り返すと⽂文の表現ベクトルが得られる
62

63. Dynamic Convolutional Neural Network
[Kalchbrenner+14]
l CNNを使って単語のまとまりを組み上げていく
l 構⽂文⽊木ではないが、類似の効果が得られる？
63

64. ⾔言語処理理は起点が違う
低次
高次
ピクセルエッジ部分絵
波形⾳音素単語発話
表現？単語フレーズ⽂文
分解する組み上げる
64

65. 画像や⾳音声系と、⾔言語処理理の違い（？）
l 画像や⾳音声の技術
l 最⼩小粒粒度度の情報を組み上げて、⾼高次の意味のある情
報を組み上げる技術が成功している
l CNNの特徴がよく活きている？
l ⾔言語処理理の技術
l 形態素の間ですら、複雑な意味関係を持っている
l cf. 語彙化
l 形態素より細かい粒粒度度の情報への分解する技術が必
要なのでは？
l cf. word2vec
65

66. ソフトウェアの重要性
l libsvm, liblinear
l 教師有り学習エンジン
l JUMAN, Chasen, MeCab
l 形態素解析エンジン
l Moses (GIZA++)
l 統計的機械翻訳エンジン
l Stanford CoreNLP
l ⾃自然⾔言語処理理の網羅羅的なツールキット
l word2vec
l Skipgramモデル
l Theano, Caffe, cuda-convnet
l 深層学習向けのライブラリやツールキット
l ⾔言語処理理向け深層学習のツールがまだない66

67. Caffe (http://caffe.berkeleyvision.org/)
l 深層学習のフレームワーク
l ネットワークの構造を記述すると学習から分類まで実⾏行行
してくれる
l 主に画像処理理（Convolutional Neural Network）に特化
l CPUモードとGPUモードを簡単に切切り替えられる
l 実際に中の実装を知らなくても1⽇日で使えた
強⼒力力なツールの出現が必要
67

68. どんどん複雑化する⾃自然⾔言語処理理スタック
例例：Mosesの処理理
1. Prepare data (45 minutes)
2. Run GIZA++ (16 hours)
3. Align words (2:30 hours)
4. Get lexical translation table (30 minutes)
5. Extract phrases (10 minutes)
6. Score phrases (1:15 hours)
7. Build lexicalized reordering model (1 hour)
8. Build generation models
9. Create configuration file (1 second)
⾔言語処理理が複雑になるにつれて、連携をサポートする仕組
みが重要になる68

69. 技術の変化まとめ
l ⾃自然⾔言語処理理は過去に何度度も外部の技術を取り込んでき
た
l 深層学習もその中の1つだが、盛り上がり⽅方は異異様
l 特にメディアがここまで取り上げているのは少ない
l ソフトウェアの成熟は重要
l 論論⽂文による技術の公開だけでは広がらない
l ソフトウェアの普及と成熟が研究を推し進めるケースが増えて
いる
69

70. 終わりに

71. 世の中のニーズの変化、デバイスなどの機械の変
化、⾔言語処理理を取り巻く技術の変化のいずれも⽋欠
かせない

72. PFIは2010年年にキュレーションサービスを⾏行行ったこ
とがあった
Xappy（2012年年で閉鎖）
l 2012年年にGunosyとスマートニュースがリリース
l 今ほど情報は溢れていない
l 今ほどスマートフォンが普及していない
l 技術だけではダメ、タイミングが合わないといけない
72

73. Xappyはタイミングを逃したのか？
l 情報源の増⼤大
l ⼤大量量のネットニュース、Blog、記事
l TwitterやFacebookを始めとしたSNSの普及
l いつでも情報を取得できる環境
l ネットワークの進化：常時接続、4G
l デバイスの進化：スマートフォン、タブレット
l 情報整理理のための技術
l ⾃自然⾔言語処理理、機械学習、統計、etc.
l GUIなどのツール群
タイミングと技術がマッチ
73

74. 全体のまとめ
l データは多様化、⼤大規模化
l 様々な業種で活⽤用されると同時にデータは多様化
l データ量量も⼤大規模化、データのフィルタリングがキー
l デバイスの変化に合わせた技術が必要
l PCからスマホ、ウェアラブルへ、デバイスは変化している
l 利利⽤用シーンの変化を意識識すると新しい可能性が⾒見見える
l モノ同⼠士が判断する世界に変化しようとしている
l 深層学習の本領領が発揮するのはこれから？
l ⾔言語処理理に新しい技術が投⼊入されるのはいつもどおり
l ここまで注⽬目と期待が集まるんは過去10年年ない
l ⾔言語処理理で⼤大きな成果が出るならこれから
74

75. ご静聴ありがとうございました

76. 参考⽂文献 (1/4)
l [Brown+93] Peter F. Brown, Vincent J. Della Pietra, Stephen A.
Della Pietra, Robert L. Mercer.
The mathematics of statistical machine translation: parameter
estimation. Computational Linguistics Vol. 19 (2), 1993.
l [Berger+96] Adam L. Berger, Vincent J. Della Pietra, Stephen A.
Della Pietra.
A Maximum Entropy Approach to Natural Language
Processing. Computational Linguistics, Vol. 22 (1), 1996.
l [Lafferty+01] John Lafferty, Andrew McCallum, Fernando C. N.
Pereira.
Conditional Random Fields: Probabilistic Models for
Segmenting and Labeling Sequence Data. ICML2001.
76

77. 参考⽂文献 (2/4)
l [Blei+03] David M. Blei, Andrew Y. Ng, Michael I. Jordan.
Latent Dirichlet Allocation. JMLR Vol. 3, 2003.
l [Teh06] Yee Whye Teh.
A Hierarchical Bayesian Language Model based on Pitman-Yor
Processes. ACL 2006.
l [Clarke+06] James Clarke, Mirella Lapata.
Constraint-Based Sentence Compression: An Integer
Programming Approach. COLING/ACL 2006.
l [Riedel+06] Sebastian Riedel, James Clarke.
Incremental Integer Linear Programming for Non-projective
Dependency Parsing. COLING/ACL 2006.
77

78. 参考⽂文献 (3/4)
l [Koo+10] Terry Koo, Alexander M. Rush, Michael Collins, Tommi
Jaakkola, David Sontag.
Dual Decomposition for Parsing with Non-Projective Head
Automata. EMNLP 2010.
l [Rush+10] Alexander M. Rush, David Sontag, Michael Collins,
Tommi Jaakkola.
On Dual Decomposition and Linear Programming Relaxations
for Natural Language Processing. EMNLP 2010.
l [Bengio+03] Yoshua Bengio, Réjean Ducharme, Pascal Vincent,
Christian Jauvin.
A Neural Probabilistic Language Model. JMLR, 2003.
78

79. 参考⽂文献 (4/4)
l [Mikolov+10] Tomas Mikolov, Martin Karafiat, Lukas Burget, Jan
Honza Cernocky, Sanjeev Khudanpur.
Recurrent neural network based language model.
Interspeech, 2010.
l [Mikolov+13] Tomas Mikolov, Kai Chen, Greg Corrado, Jeffrey Dean.
Efficient Estimation of Word Representations in Vector Space. CoRR,
2013.
l [Socher+12] Richard Socher, Brody Huval, Christopher D. Manning,
Andrew Y. Ng.
Semantic Compositionality through Recursive Matrix-Vector Spaces.
EMNLP2012.
l [Kalchbrenner+14] Nal Kalchbrenner, Edward Grefenstette, Phil
Blunsom.
A Convolutional Neural Network for Modelling Sentences. ACL2014.
79