NLP2019 松田寛 - GiNZA
•
11 gostaram•6,598 visualizações
言語処理学会第25回年次大会 論文発表資料『短単位品詞の用法曖昧性解決と依存関係ラベリングの同時学習』 松田寛 - Megagon Labs
Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
Último
Último (12)
NLP2019 松田寛 - GiNZA
- 1. 短単位品詞の用法曖昧性解決と 依存関係ラベリングの同時学習 松田寛 株式会社リクルート 大村舞 浅原正幸 March 13, NLP2019 F2-3
- 3. Universal Dependencies日本語版の解析系を開発 ● 新しい日本語依存構造解析器を実装 ○ OSS (SudachiPy+spaCy) を活用 ● 日本語 Universal Dependencies 体系に準拠 ○ 形態素解析出力(UniDic短単位)の可能性品詞の用法解決を行い UD品詞体系に準拠した出力を実現 ※ 論文はこちら http://www.anlp.jp/proceedings/annual_meeting/2019/pdf_dir/F2-3.pdf 3
- 4. 提案手法の実装をPyPIおよびgithubで公開中 ● 実行環境はコマンド一行で導入完了 pip install "https://github.com/megagonlabs/ginza/releases/download/v1.0.0/ja_ginza_nopn-1.0.0.tgz" ● 日本語NLPライブラリ - GiNZA ○ git clone --recursive https://github.com/megagonlabs/ginza.git ○ MIT License ○ Python3.7 及び対応する pip ○ Stanford NLPとのベンチマーク結果も公開していきます！ 4
- 5. 使用したリソース ● NLP Framework ○ spaCy v2.1.3 ※ spaCy日本語版の初の完全な実装 ● Treebank (コーパス) ○ UD-Japanese BCCWJ v2.3 - 5.6万文, 126万語を使用 ※ UD-Japanese BCCWJを利用した初の解析系実装 ※ GiNZAでは新聞系データを除外しているため精度は論文と異なる ● Tokenizer (形態素解析器) ○ SudachiPy ＋ Core辞書 を使用 ※ 解析モードA,B,Cいずれにも対応可能 5
- 7. Universal Dependenciesとは ● 歴史 ○ 2014年頃にUDコミュニティが日本を含め全世界に広がる ○ 日本語コーパスはGSD・KTC・PUD・BCCWJ等が公開済み ● 目的 ○ Universal Dependencies (UD)は、構文解析の後段の処理の 共通化や、他の言語のコーパスを用いた言語横断的な学習、 言語間の定量的な比較などを可能にするための土台を目指 して、多言語で一貫した構文構造とタグセットを定義する という活動である。[金山2015] 7
- 8. 英語と日本語のUniversal Dependenciesの比較 8 ● 日本語でもnsubj(主語)やobj(目的語)などのRelationラベルを振る UD-Japanese BCCWJ: 現代日本語書き言葉均衡コーパスのUniversal Dependencies [大村2018] より引用
- 9. 先行研究 [Omura 2018] BCCWJコーパスのUniversal Dependencies化 9
- 10. 文節係り受けから単語レベル依存関係への変換 ● 文節主辞間の依存関係を保持する形でルールにより処理 UD-Japanese BCCWJ: Universal Dependencies Annotation for the Balanced Corpus of Contemporary Written Japanese (Omura, UDW2018) より抜粋 10
- 11. 単語レベルの変換ルール ● 単語長はBCCWJのUniDic短単位を使用する ● 品詞変換ではBCCWJの用法・長単位品詞属性まで参照する UD-Japanese BCCWJ:『現代日本語書き言葉均衡コーパス』の Universal Dependencies より表の一部を抜粋 11
- 12. Universal Dependencies - Relation Labels ● UDの依存関係ラベルは37種（UD-Japanese BCCWJは現時点で23種を使用） 12
- 13. なぜ用法・長単位品詞が必要か？ ● UniDic短単位は語彙主義的な可能性に基づく品詞体系 ● UD品詞は用法主義的であるため可能性品詞の解決が必要 UD-Japanese BCCWJ:『現代日本語書き言葉均衡コーパス』のUniversal Dependencies より抜粋 ● 解析系では用法曖昧性解消処理を実装する必要がある 13
- 14. 予備実験：正解トークンを使用した精度比較 ● 依存構造解析器 ○ Baseline：UDPipe v1.2 - CoNLL UD Task標準のNeural Parser ○ spaCy：Multi-task CNN Learnerを使用した多言語パーザ LAS=Labeled Attachment Score, UAS=Unlabeled Attachment Score ※ 訓練コーパスのみ、交差を含む 115 文を除外している 14
- 16. 広範囲の文脈を考慮した用法曖昧性解決 #1 ● 既存の形態素解析器はUniDic長単位品詞を扱えない ○ MeCab・SudachiのUniDic辞書の出力は短単位品詞のみ ○ 隣接形態素のみ考慮するモデルでは可能性品詞の解決は困難 ■ とされているが、ある程度はCRFでも解決できるのでは… ■ 「つつじ」[松吉 2007]は機能語の複合表現を扱うもので用法曖昧性 解決そのものとは独立なタスクであるが関連は深い ○ 本研究では依存構造解析レイヤでシンプルに解決を試みる 16
- 17. 広範囲の文脈を考慮した用法曖昧性解決 #2 ● 依存関係ラベリングと同時に用法曖昧性解決を行う ○ 形態素解析と比較して広範囲の文脈を考慮することができる ○ 可能性品詞について正解UD品詞で依存関係ラベルを展開 ■ 全品詞を展開すると問題空間が広がりすぎて精度が低下 ○ 形態素解析誤りの補正も同時に行う ■ 品詞誤り ■ 区切り誤り（細分化のみ） ● 詳しくは次項以降で説明します 17
- 20. 形態素解析出力の補正 - 過剰分割のまとめ上げ ● 再解析結果で過剰分割となる部分に纏め上げラベルを付与 20 纏め上げラベルとしてas_NOUNを付与
- 22. 実験：Tokenizationを含めた解析実験 ● SudachiPy mode=Cにおける依存構造解析精度 ○ GAP=トークン境界判定精度, POS=境界+品詞まで一致 ○ UPOS=UAS+境界+品詞が一致, LPOS=UPOS+依存関係ラベルまで一致 22
- 23. 実験：可能性品詞の用法曖昧性解決 ● 評価対象 ○ 評価データセットで可能性品詞をもつ 30,095 トークンのうち形態素 解析出力と正解の両端が一致するものに限定 ○ 直接学習：学習時に形態素解析出力でなく正解トークンを使用 ■ 依存関係ラベル拡張は行わず変換表のみでUD品詞を推定 ○ 変換表の質に依らず提案方式は高精度でUD品詞を推定 23
- 24. 実験：解析速度 ● 実験環境 ○ CPU Core-i9 6コア(12スレッド), GPU RTX2080 Max-Q ○ DDR4-2666 32GB, NVMe SSD ○ python 3.6.8, spacy[cuda92] 2.0.17, nvidia-driver 418.43 ● 解析対象 ○ 218,863文（平均単語数=18.9[語/文]） ● 解析速度 ○ prefer CPU: 46.6 [文/秒] - CPU load average: 1000%前後 ○ prefer GPU: 67.0 [文/秒] - CPU: 100%前後, GPU: 4% 訓練時はGPU使用による高速化効果がさらに高まる 24
- 25. 研究の課題と展望 ● 形態素解析レイヤーでの用法曖昧性解決 ○ 直接UD品詞で形態素解析した結果を本手法と比較したい ○ 機能語連続で解析揺れが目立っている ■ 機能語も積極的に複合辞化するべきか ■ UDでは文節が明示されないため応用でも複合辞化メリットは大 ■ 他方、複合名詞の揺れに起因する誤解析は比較的少ない ● 依存構造解析 ○ 機能語・複合名詞以外の誤解析の多くは依存先判定の誤り ○ ルート判定と全体精度を同時に向上（現状はトレードオフ） 25
- 27. 産業用NLPにおけるUD利用メリット ● 最新OSSでNLP実装効率が劇的に改善・本質に集中できる ○ spaCyやStanford NLPなど高機能なFrameworkが使える ■ 商用利用可能な MIT or Apache License ■ UD体系を前提にAPIが設計されている ○ NE抽出・文書分類などのダウンストリームタスクも実装済 ■ spaCyではマルチタスク学習が可能 ● OSS NLP Frameworkで多言語タスクの実現が容易になる ○ システム開発観点ではi18n対応においてリソース差し替えのみで 言語の追加・切り替えが可能であることは重要な要件 ○ pip install 一発で所望の言語を追加可能 27
- 28. デメリットはあるか？ ● 既存のルールリソースがある場合はUD化作業が発生 ○ 文節や格を単語レベル依存関係に読み替えるのが結構大変 ■ 短単位品詞も出力可能なので品詞指定はそのまま使える ● 日本語だけ扱うのならUDでなくてもよい？ ○ 文節が明示されるメリットはある ○ UDの依存関係ラベルも（慣れれば）使いやすいがやはり 文節があって格があるという立て付けも捨て難い 28
- 29. 日本語UDを扱うGiNZAとStanford NLPの比較 ● NLP2019投稿直後にStanford NLPが公開された ○ 本研究と同じ日本語版UDに対応したPython NLP Framework ○ 詳細調査中につき以下は推測を含みます ● Tokenizer ○ 提案手法 ■ CRF, 形態素辞書 (1.5M words)←現状での精度差の主要因か ○ Stanford NLP ■ BiLSTM+Biaffine?, 辞書なし・語彙追加用コーパスを使用? ● Dependency Parser ○ 提案手法 ■ Multi-task CNN Learner, BCCWJコーパス (1.26M tokens) ○ Stanford NLP ■ BiLSTM？, GSDコーパス (184k tokens)←コーパスが一桁小さい 29
- 30. まとめと今後の課題 ● まとめ ○ UniDic短単位品詞の用法曖昧性を依存関係ラベリングと同時に解 決する手法を提案・実装した ● 今後の課題 ○ 形態素解析レベルでの用法曖昧性解消との結果の比較 ○ 学習済みモデルを含めたGiNZA正式版の公開 ■ UD-Japanese成果の継続的な反映 ○ 若手研究者の日本語離れ・Syntax離れに歯止めを！ ● 全言語を統一的に扱うUDのBig Challengeにぜひご賛同を！ 30