JP2011118872A - Method and device for determining category of unregistered word - Google Patents
Method and device for determining category of unregistered word Download PDFInfo
- Publication number
- JP2011118872A JP2011118872A JP2010210648A JP2010210648A JP2011118872A JP 2011118872 A JP2011118872 A JP 2011118872A JP 2010210648 A JP2010210648 A JP 2010210648A JP 2010210648 A JP2010210648 A JP 2010210648A JP 2011118872 A JP2011118872 A JP 2011118872A
- Authority
- JP
- Japan
- Prior art keywords
- word
- unregistered
- category
- context
- synonym
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
Description
本発明は、一般に情報処理分野に関し、特に、未登録語のカテゴリを決定するための方法と装置に関する。 The present invention relates generally to the field of information processing, and more particularly to a method and apparatus for determining a category of unregistered words.
インターネットの普及および社会情報の増大傾向に伴い、テキスト情報がますます多くなり、それに伴いテキスト情報処理に関する社会の要求がますます高まってきている。人々は、自然言語を通してコンピュータと通信することを望み、多量のテキスト情報の自動処理を望んでいる。テキスト情報をより効果的に処理するためには、大量の言語データリソース(例えば辞書)を蓄積することが必要である。
しかしながら、文書処理のための主要な機器では、辞書は往々にして手作業で編集される。それはかなり時間を消費し非能率的である。
さらに、単語分割技術において、未登録語による分割エラーが、単語分割全体の回収率に非常に影響を与えると共に、続く文法および語義解釈の精度にさらに影響を与え、その結果として、情報処理に一定の障害が生じることになる。
その他の情報処理技術、例えば情報抽出において、未登録語の属性が極めて不明瞭であると、未登録語とその情報の不完全さのために情報抽出の結果が曖昧となるばかりでなく間違いさえも含むことになる。
よって、このことは、未登録語のカテゴリを決定するうえでに差し迫った問題である。
With the spread of the Internet and the increasing trend of social information, the amount of text information is increasing, and so is the demand for society regarding text information processing. People want to communicate with computers through natural language, and want automatic processing of large amounts of text information. In order to process text information more effectively, it is necessary to store a large amount of language data resources (for example, a dictionary).
However, in major equipment for document processing, dictionaries are often manually edited. It is quite time consuming and inefficient.
Furthermore, in word segmentation technology, segmentation errors due to unregistered words greatly affect the recovery rate of the entire word segmentation and further affect the accuracy of subsequent grammar and semantic interpretation, resulting in constant information processing. The failure will occur.
In other information processing technologies, such as information extraction, if the attributes of unregistered words are very unclear, the result of information extraction is not only ambiguous but also incorrect due to the incompleteness of unregistered words and their information Will also be included.
Therefore, this is an urgent problem in determining the category of unregistered words.
特許文献1(中国特許公開公報CN1717679号)は、品詞タグ付け方法を開示している。
この方法は、一区切りの単語に集合的にタグ付けするために、事前に記録されたキーワード−単語クラスリポジトリを主に使用する。一区切りの単語が特定のキーワードを含んでいれば、その一区切りの単語がキーワードに相応する品詞としてタグ付けされる。
Patent Document 1 (Chinese Patent Publication CN1717679) discloses a part-of-speech tagging method.
This method mainly uses a pre-recorded keyword-word class repository to collectively tag a single word. If a word contains a specific keyword, the word is tagged as a part of speech corresponding to the keyword.
特許文献2(米国特許公開公報US20060100856A1)は、語義推測方法を開示している。この方法の基本思想は、ウェブ検索を通して各新語の用例を抽出し、既存の用例辞書に従ってその用例に基づいて語義クラス候補を抽出することである。その結果、複数の候補が存在する場合には、特定の文集において新語と最も高い共起頻度を有する語義クラスを選択する。 Patent Document 2 (US Patent Publication No. US20060100856A1) discloses a meaning estimation method. The basic idea of this method is to extract examples of each new word through a web search, and to extract semantic class candidates based on the examples according to an existing example dictionary. As a result, if there are a plurality of candidates, the semantic class having the highest co-occurrence frequency with the new word in the specific sentence collection is selected.
特許文献3(中国特許公開公報CN1369877号)は、新語のカテゴリを推測する方法を開示している。
この方法は、まず新語内の各文字に対する分離確率を決定し、次に、各カテゴリについての合計分離確率を形成するために、語カテゴリベースで各文字の確率を組み合わせる。
しきい値と合計確率の比較に基づいて、その確率がしきい値を越える語カテゴリを、それぞれ、複数文字語(multi-character word)のための可能なカテゴリとして追加する。
Patent Document 3 (Chinese Patent Publication No. CN1369877) discloses a method for estimating a new word category.
This method first determines the separation probabilities for each character in the new word and then combines the probabilities for each character on a word category basis to form a total separation probability for each category.
Based on the comparison of the threshold and the total probability, each word category whose probability exceeds the threshold is added as a possible category for a multi-character word.
非特許文献1(NAACL HLT 2007の188−195ページのHybrid
Models for Semantic Classification of Chinese Unknown Words(中国語の未登録語の意味的な分類のための混合モデル)において、Xiaofei Lu)は、人工のルール、統計的方法およびコンテキストに基づいて構築した混合型の品詞推測方法を提案している。そこでは、ルールと統計的方法は、コンテキストベースの方法に対して語義クラス候補を提供する。
Non-Patent Document 1 (NAACL HLT 2007, pages 188-195, Hybrid
In the Models for Semantic Classification of Chinese Unknown Words, Xiaofei Lu) is a mixed type constructed based on artificial rules, statistical methods and contexts. A part-of-speech estimation method is proposed. There, rules and statistical methods provide semantic class candidates for context-based methods.
非特許文献2(In Proceedings of the 2nd Chinese Language Processing
Workshopの7〜14ページの2000. Sense-tagging Chinese Corpusにおいて、Chen, H.-H.とC.-C. Lin)は、中国語−英語辞典による相互翻訳を通した語義クラスタグ付け方法を提案している。この方法の基本ステップは以下の4つのステップを含む。
1)1つに新語を与え、所定の中国語−英語辞典に基づいてその語について全ての可能な英語翻訳を検索する。
2)WordNetから全ての翻訳について対応する語義項目(semantic item)を検索する。
3)マッピングテーブルを検索し、ステップ2で得られた語義項目とCilinの語義タグとのマッチングを行う。
4)語義曖昧性除去方法(semantic de-ambiguity methods)によってステップ3から得られた語義タグから1つを、最終結果として選択する。
Non-Patent Document 2 (In Proceedings of the 2nd Chinese Language Processing
At the Workshop. Pp. 7-14, 2000. Sense-tagging Chinese Corpus, Chen, H.-H. and C.-C. Lin) developed a semantic class tagging method through mutual translation of Chinese-English dictionaries. is suggesting. The basic steps of this method include the following four steps.
1) Give one new word and search all possible English translations for that word based on a given Chinese-English dictionary.
2) Retrieval semantic items corresponding to all translations from WordNet.
3) The mapping table is searched, and the meaning item obtained in step 2 is matched with the meaning tag of Cilin.
4) Select one of the meaning tags obtained from step 3 by the semantic de-ambiguity methods as the final result.
しかしながら、現在の技術のどれも、自動タグ付けを実現するために未登録語のカテゴリを効果的に決定するという課題を解決しない。
既存の技術は、一般に、新語についての品詞解析を実行するために事前に編集された辞書を使用する。そのため、タグ付け結果の妥当性は、対応する辞書あるいは知識ベースの構造に左右され、その性能は比較的低い。
However, none of the current technologies solves the problem of effectively determining the category of unregistered words to achieve automatic tagging.
Existing techniques typically use pre-edited dictionaries to perform part-of-speech analysis for new words. Therefore, the validity of the tagging result depends on the structure of the corresponding dictionary or knowledge base, and its performance is relatively low.
従って、未登録語のカテゴリを効果的にかつ高い効率で決定する技術的解決方法が要望されている。 Therefore, there is a need for a technical solution that determines the category of unregistered words effectively and with high efficiency.
関連技術における上記の問題を解決するため、本発明の目的は、未登録語のカテゴリを決定するための方法と装置を提供することである。 In order to solve the above problems in the related art, an object of the present invention is to provide a method and apparatus for determining a category of unregistered words.
本発明による未登録語のカテゴリ決定方法は、語構成規則に基づいて未登録語の同義語を辞書から選択するステップと、文集から未登録語のコンテキストを生成するステップと、未登録語のコンテキストと同義語に従って未登録語のカテゴリを決定するステップとを含む。 An unregistered word category determination method according to the present invention includes a step of selecting a synonym of an unregistered word from a dictionary based on a word composition rule, a step of generating a context of an unregistered word from a sentence collection, and a context of an unregistered word And determining a category of unregistered words according to synonyms.
本発明による未登録語のカテゴリ決定装置は、語構成規則に基づいて未登録語の同義語を辞書から選択する同義語選択部と、文集から未登録語のコンテキストを生成するコンテキスト生成部と、未登録語のコンテキストと同義語に従って未登録語のカテゴリを決定するカテゴリ決定部とを備える。 An unregistered word category determination device according to the present invention includes a synonym selection unit that selects a synonym of an unregistered word from a dictionary based on a word composition rule, a context generation unit that generates a context of an unregistered word from a sentence collection, A category determining unit that determines the category of the unregistered word according to the context of the unregistered word and the synonym.
本発明の他の特徴および利点は、添付図面を参照した本発明の好ましい実施の形態についての以下の説明から明らかになるであろう。 Other features and advantages of the present invention will become apparent from the following description of preferred embodiments of the invention with reference to the accompanying drawings.
本発明によれば、未登録語のカテゴリをより効率的により正確に決定することができる。 According to the present invention, the category of unregistered words can be determined more efficiently and accurately.
上記から本発明を深く理解し、かつ以下の添付図面を参照しつつ説明を読むことにより、本発明の他の目的と効果がより明確となり、理解が容易となるであろう。
以下では、図面を参照しながら、本発明の各実施例について詳細に説明する。本発明の図面と実施例は例示的な説明のみを目的とし、本発明に対する保護の範囲を限定するものではないことを理解されたい。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings. It should be understood that the drawings and examples of the present invention are for illustrative purposes only and are not intended to limit the scope of protection of the present invention.
明確化のため、まず本発明で使用する技術的用語について説明する。 For clarity, technical terms used in the present invention will be described first.
1.辞書
辞書は、例えば、
2.文集
文集はフリーテキストの集合である。フリーテキストは、文、段落、文章等であり、またそれらの任意の組合せである。
2. A collection of sentences A collection of sentences is a collection of free text. Free text is a sentence, paragraph, sentence, etc., and any combination thereof.
3.文字、直接要素および語
文字はテキストの最小単位である。例えば、中国語で、”天”、”我”および”好”が、それぞれ文字である。
3. Letters, direct elements, and words are the smallest units of text. For example, in Chinese, “Ten”, “I”, and “Good” are characters.
直接要素:大きな単位を形成する小さな単位を大きな単位の要素と呼ぶ。従って、大きな単位を直接構成する小さな単位を大きな単位の直接要素と呼ぶ。
語の直接要素は音素あるいはその語より小さな語である。例えば、
The direct element of a word is a phoneme or a smaller word. For example,
語は、1以上の文字によって形成される文字列であり、ある意味を有する。例えば、
4.未登録語
未登録語は現在の辞書に含まれていない語である。
4). Unregistered words Unregistered words are words that are not included in the current dictionary.
5.カテゴリ
カテゴリは、語義クラスと語義クラスより広い有効範囲を有す超クラス(supersense)を含む。
5. Category The category includes a semantic class and a superclass having a wider scope than the semantic class.
語義クラスは、例えば、”都市”、”感情”等である。語義クラスは、複数の語を含む。例えば、語”北京”と”上海”は、語義クラス”都市”に属する。語は複数の語義クラスを有する場合がある。例えば、語”腕”は、2つの語義クラス”身体部分”と”人間”を有する。 The semantic class is, for example, “city”, “emotion”, and the like. The semantic class includes a plurality of words. For example, the words “Beijing” and “Shanghai” belong to the semantic class “city”. A word may have multiple semantic classes. For example, the word “arm” has two semantic classes “body part” and “human”.
超クラスは語義クラスより広いカテゴリであり、例えば、”位置”、”物質”などである。”位置”は、語義クラス”都市”より広い範囲を有する。 The super class is a broader category than the semantic class, such as “position” and “substance”. “Position” has a wider range than the semantic class “city”.
本発明は、未登録語のカテゴリを決定する方法に関する。この方法は、語構成規則(word formation rule)に基づいて辞書から未登録語の同義語を選択するステップ、文集から未登録語のコンテキストを生成するステップ、及び未登録語のコンテキストおよび同義語に基づいて未登録語が属するカテゴリを決定するステップを有する。 The present invention relates to a method for determining a category of unregistered words. The method includes selecting a synonym for an unregistered word from a dictionary based on a word formation rule, generating a context for an unregistered word from a collection of sentences, and a context and synonym for an unregistered word. And determining a category to which the unregistered word belongs.
本発明の実施の形態によれば、未登録語と1つ以上の語構成要素(word formation constituents)を共有する語は、未登録語の同義語として辞書から選択できることから、語構成規則に基づいて辞書から未登録語の同義語を選択する処理を実行する。本発明のさらに他の実施の形態によれば、語構成規則に基づいて辞書から未登録語の同義語を選択する処理は、以下のステップによって実現される。未登録語の品詞を決定するステップ、未登録語と1つ以上の語構成要素を共有する語を辞書から選択するステップ、選択した全ての語から未登録語と同じ品詞を有する語を未登録語の同義語として選択するステップを有する。 According to an embodiment of the present invention, a word sharing one or more word formation constituents with an unregistered word can be selected from the dictionary as a synonym for the unregistered word. The process of selecting synonyms of unregistered words from the dictionary is executed. According to still another embodiment of the present invention, the process of selecting a synonym of an unregistered word from a dictionary based on word composition rules is realized by the following steps. Determining a part of speech for an unregistered word, selecting a word that shares one or more word components with the unregistered word from a dictionary, and unregistering a word having the same part of speech as the unregistered word from all selected words Selecting as a synonym of the word.
本発明の実施の形態によれば、文集から未登録語のコンテキストを生成する処理は、以下の、文集から未登録語を検索するステップ、ウィンドウ方式の適用により未登録語に隣接する文字を取り出すステップ、取り出した未登録語に隣接する文字に語分割を実行するステップ、語分割の後に得られた各語の重みを決定し、語分割の後に取得したそれぞれの語とそれらの重みを未登録語のコンテキストとして使用するステップによって実現される。本発明の他の実施の形態によれば、文集から未登録語のコンテキストを生成する処理は、以下の、文集から未登録語を検索するステップ、未登録語のコンテキストとして依存関係を用いるために、依存木方式によって未登録語の依存関係を分析するステップによって実現される。 According to the embodiment of the present invention, the process of generating a context of an unregistered word from a sentence collection includes the following steps of searching for an unregistered word from the sentence collection, and extracting a character adjacent to the unregistered word by applying a window method: Step, step of performing word division on characters adjacent to the extracted unregistered word, determining the weight of each word obtained after word division, and unregistering each word obtained after word division and their weight This is accomplished by using it as a word context. According to another embodiment of the present invention, the process of generating a context of an unregistered word from a sentence collection includes the following steps of searching for an unregistered word from the sentence collection, using a dependency relationship as the context of the unregistered word: This is realized by the step of analyzing the dependency relationship of unregistered words by the dependency tree method.
本発明の実施の形態によれば、未登録語のコンテキストと同義語に基づいて未登録語が属するカテゴリを決定する処理は、同義語が属するカテゴリについて統計を取るステップ、各カテゴリに含まれる全ての語のコンテキストを、各カテゴリのコンテキストとして、文集から生成するステップ、未登録語のコンテキストと各カテゴリのコンテキストの間の類似度を計算するステップ、最大の類似度を有するカテゴリを未登録語が属するカテゴリとして決定するステップを含む。
本発明の他の実施の形態によれば、未登録語のコンテキストと同義語に基づいて未登録語が属するカテゴリを決定する処理は、文集から同義語のコンテキストを生成するステップ、未登録語のコンテキストと同義語のコンテキストの間の類似度を計算するステップ、計算によって取得した類似度に基づいて、同義語から集合を抽出するステップ、抽出した集合において同じカテゴリに属する同義語に対応する類似度を合計するステップ、合計した類似度に基づいて未登録語が属するカテゴリを決定するステップを含む。
本発明の他の実施の形態によれば、未登録語のコンテキストと同義語に基づいて未登録語が属するカテゴリを決定する処理は、文集から同義語のコンテキストを生成するステップ、未登録語のコンテキストと同義語のコンテキストの間の類似度を計算するステップ、同義語が属するカテゴリについて統計を取るステップ、同義語に関連付けた所定の重み係数を入力するステップ、入力した所定の重み係数に基づいて、関連する同義語に対応する類似度に重みを加えるステップ、重みが加えられた類似度に基づいて同義語から集合を抽出するステップ、抽出した集合中、同じカテゴリに属する同義語に対応する重みが加えられた類似度を合計するステップ、合計した類似度に基づいて未登録語が属するカテゴリを決定するステップを含む。
According to the embodiment of the present invention, the process of determining a category to which an unregistered word belongs based on the context and synonym of the unregistered word is a step of taking statistics on the category to which the synonym belongs, all included in each category The context of each word as the context of each category, the step of generating from the collection, the step of calculating the similarity between the context of the unregistered word and the context of each category, the category having the maximum similarity is the unregistered word Determining a category to belong to.
According to another embodiment of the present invention, the process of determining a category to which an unregistered word belongs based on the context of the unregistered word and the synonym includes generating a context of the synonym from the sentence collection, A step of calculating the similarity between the context and the context of the synonym, a step of extracting a set from the synonym based on the similarity obtained by the calculation, and a similarity corresponding to a synonym belonging to the same category in the extracted set And a step of determining a category to which the unregistered word belongs based on the total similarity.
According to another embodiment of the present invention, the process of determining a category to which an unregistered word belongs based on the context of the unregistered word and the synonym includes generating a context of the synonym from the sentence collection, Calculating the similarity between the context and the context of the synonym, taking a statistic on the category to which the synonym belongs, inputting a predetermined weighting factor associated with the synonym, based on the input predetermined weighting factor , A step of adding a weight to the similarity corresponding to the related synonym, a step of extracting a set from the synonym based on the similarity with the weight added, and a weight corresponding to a synonym belonging to the same category in the extracted set And a step of summing the similarities to which the unregistered words belong based on the summed similarities.
以下、本発明のそれぞれの実施の形態について詳細に説明する。 Hereinafter, each embodiment of the present invention will be described in detail.
図1は、本発明の実施の形態による未登録語のカテゴリを決定するための装置100のブロック図を示す。
FIG. 1 shows a block diagram of an
本発明による未登録語のカテゴリを決定する装置100は、同義語選択部110、コンテキスト生成部120およびカテゴリ決定部130を含んでいる。同義語選択部110は、語構成規則に基づいて辞書から未登録語の同義語を選択する。コンテキスト生成部120は、文集から未登録語のコンテキストを生成する。カテゴリ決定部130は、未登録語のコンテキストおよび同義語に基づいて未登録語が属するカテゴリを決定する。
The
本発明の実施の形態によれば、同義語選択部110は、未登録語と1つ以上の語構成要素を共有する語を未登録語の同義語として辞書から選択する手段を含むことが可能である。
本発明の実施の形態によれば、同義語選択部110は、未登録語の品詞を決定する手段と、辞書から未登録語と1つ以上の語構成要素を共有する語を選択する手段と、選択された全ての語から未登録語と同じ品詞を有する語を未登録語の同義語として選択する手段とを含むことも可能である。
According to the embodiment of the present invention, the
According to the embodiment of the present invention, the
本発明の実施の形態によるコンテキスト生成部120は、文集中の未登録語を検索する手段と、ウィンドウ方式の適用により未登録語に隣接する文字を取り出す手段と、取り出した未登録語に隣接する文字に語分割を実行する手段と、語分割の後に得られた各語の重みを決定し、語分割の後に取得したそれぞれの語とそれらの重みを未登録語のコンテキストとして使用する手段とを含むことが可能である。
The
本発明の実施の形態によるコンテキスト生成部120は、文集中の未登録語を検索する手段と、未登録語のコンテキストとして依存関係を用いるために、依存木方式によって未登録語の依存関係を分析する手段とを含むこともできる。
The
本発明の実施の形態によるコンテキスト生成部120は、文集から同義語のコンテキストを生成する手段をさらに含むことが可能である。
The
本発明の一実施の形態によれば、カテゴリ決定部130は、同義語が属するカテゴリについて統計を取る手段と、文集から各カテゴリに含まれる全ての語のコンテキストを、各カテゴリのコンテキストとして生成する手段と、未登録語のコンテキストと各カテゴリのコンテキストの類似度を計算する手段と、最大の類似度に相応するカテゴリを未知の語が属するカテゴリとして決定する手段とを含むことが可能である。
According to one embodiment of the present invention, the
本発明の実施の形態によれば、カテゴリ決定部130は、未登録語のコンテキストと同義語のコンテキストとの類似度を計算する手段と、類似度に基づいて同義語から1つの集合を抽出する手段と、抽出した集合中の同じカテゴリに属する同義語に対応する類似度を合計する手段と、合計した類似度に基づいて未登録語が属するカテゴリを決定する手段とを含むことが可能である。
この実施の形態において、カテゴリ決定部130に含まれる、合計した類似度に基づいて未登録語が属するカテゴリを決定する手段は、K最近接アルゴリズムを実行する。
According to the embodiment of the present invention, the
In this embodiment, the means for determining the category to which the unregistered word belongs based on the total similarity included in the
本発明の実施の形態によれば、カテゴリ決定部130は、未登録語のコンテキストと同義語のコンテキストの間の類似度を計算する手段と、同義語が属するカテゴリについての統計を取る手段と、同義語に関連する所定の重み係数を入力する手段と、入力した所定の重み係数に基づいて、関連する同義語に相応する類似度に重み付けをする手段と、類似度に基づいて同義語から集合を抽出する手段と、抽出した集合中の同じカテゴリに属する同義語に対応する重み付けされた類似度を合計する手段と、合計した類似度に基づいて未登録語が属するカテゴリを決定する手段とを含むことも可能である。
この実施の形態において、所定の重み係数の設定は以下のポリシーを満足する。
未登録語とカテゴリ内の語が最後の1文字と最後から2番目の文字を共有するならば、カテゴリに関連する所定の重み係数をλ1と設定する。
そうではなく、未登録語とカテゴリ内の語が最後の1文字と最初の1文字を共有するならば、カテゴリに関連する所定の重み係数をλ2と設定する。
そうではなく、未登録語とカテゴリ内の語が最初の1文字或いは最後の1文字を共有するならば、カテゴリに関連する所定の重み係数をλ3と設定する。
それ以外の場合、カテゴリに関連する所定の重み係数をλ4と設定する。
ここで、λ1≧λ2≧λ3≧λ4である。
この実施の形態において、カテゴリ決定部130に含まれる、類似度に基づいて同義語から集合を抽出する手段は、類似度を降順にソートする手段と、上位から順番に、所定数の類似度に対応する同義語を、集合に抽出する手段とを含むことが可能である。
According to the embodiment of the present invention, the
In this embodiment, the setting of the predetermined weighting factor satisfies the following policy.
If the unregistered word and the word in the category share the last character and the second character from the end, a predetermined weighting factor related to the category is set to λ1.
Otherwise, if the unregistered word and the word in the category share the last one character and the first one character, the predetermined weighting factor related to the category is set to λ2.
Otherwise, if the unregistered word and the word in the category share the first one character or the last one character, the predetermined weighting factor related to the category is set to λ3.
In other cases, the predetermined weighting factor related to the category is set to λ4.
Here, λ 1 ≧ λ 2 ≧ λ 3 ≧ λ 4 is satisfied.
In this embodiment, the means for extracting the set from the synonyms based on the similarity included in the
図2は、本発明の実施の形態による未登録語のカテゴリを決定する方法のフローチャートを示す。 FIG. 2 shows a flowchart of a method for determining a category of unregistered words according to an embodiment of the present invention.
ステップ201において、語構成規則に基づいて、辞書から未登録語の同義語を選択する。
In
本発明の実施の形態による語構成規則は、語構成要素、要素属性および要素関係を含んでいる。語構成要素は、語を形成する文字および(または)直接要素等を含む。要素属性は、語の注釈、長さ、品詞を含む。また、要素関係は、語の各要素間の関係(例えば、並列、修飾、限定など)を含む。 The word composition rule according to the embodiment of the present invention includes word composition elements, element attributes, and element relationships. Word components include letters and / or direct elements that form a word. Element attributes include word annotation, length, and part of speech. In addition, the element relation includes a relation (for example, parallel, modification, limitation, etc.) between the elements of the word.
一例において、未登録語と1つ以上の文字および(または)直接要素を共有する語が辞書から未登録語の同義語として選択される。
例えば、未登録語が”基”および”民”を含む2文字の”基民”であると仮定する。辞書において、文字”基”を含む語が
For example, assume that the unregistered word is a two-letter “base” including “base” and “people”. In the dictionary, words that contain the letter “base”
さらに、他の例において、名詞、形容詞、動詞などの未登録語の品詞が、まず決定され、その後、1以上文字および(または)直接要素を共有する語が辞書から選択される。そして、未登録語と同じ品詞を有する語が、未登録語の同義語として選び出される。図4および図5において示す例は、この実施の形態を記述している。 Further, in other examples, the part of speech of unregistered words such as nouns, adjectives and verbs is first determined, and then words that share one or more characters and / or direct elements are selected from the dictionary. A word having the same part of speech as the unregistered word is selected as a synonym for the unregistered word. The examples shown in FIGS. 4 and 5 describe this embodiment.
ステップ202で、未登録語のコンテキストを文集から生成する。
In
本発明の実施の形態によれば、語のコンテキストは、ウィンドウ(window)方式を適用することにより、依存木方式(dependent tree mode)あるいは当業者にとって既知の他の方式で生成される。 According to embodiments of the present invention, word context is generated in a dependent tree mode or other manner known to those skilled in the art by applying a window manner.
以下、ウィンドウ方式を適用して文書から所定の語のコンテキストをどのように取得するかについて説明する。
所定の語が
A given word
まず、この語を文集内で検索する。
この例では、語
In this example, the word
次に、語
サイズ6のウィンドウは、文集中この語を含む文あるいは段落において、この語をカバーする方法で定義される。
この語をカバーする方式は、例えば、隣接する直前の3文字”好把握”および隣接する後続の3文字”毎个人”が、語
A window of size 6 is defined in a way that covers this word in sentences or paragraphs that contain this word.
The method of covering this word is, for example, that the three characters immediately before “adjacent” and the adjacent three characters “per person” are
ウィンドウのサイズと等しい数の文字を切り出した後、該当語に隣接する切り出し済みの語について語分割を実行する。
例えば、該当語(すなわち、
For example, the corresponding word (ie,
次に、語分割後に取得されたそれぞれの語の重みが決定される。
語分割後に取得された結果は、対応するベクトル<v1, v2, ..., vn
>を有している。ここで、nはこの語の語分割結果の個数を示す。
上記の例においては、合計で4語の語分割結果がある。従って、n=4であり、viが対応する語の重み(i=1,・・・,n)を示している。
例えば、TFIDF−word frequency × inverse document frequency(語頻度×逆文書頻度)、BOOL(存在するかどうか)、IDF−inverse document frequency(逆文書頻度)、PMI-pointwise mutual information(自己相互情報量)等の複数の重み計算方法が存在する。
通常、語のコンテキストの出現回数はその語の意義の決定にほとんど寄与しない、一方それが出現するかどうかは決定的な重要性を有する。したがって、本発明の実施の形態においては、IDF−inverse document frequency(逆文書頻度)が重みを計算するのに使用される。
Next, the weight of each word acquired after word division is determined.
The result obtained after word splitting is the corresponding vector <v 1 , v 2 , ..., v n
> Here, n indicates the number of word division results of this word.
In the above example, there are a total of four word segmentation results. Therefore, n = 4 and v i indicates the weight of the corresponding word (i = 1,..., N).
For example, TFIDF-word frequency × inverse document frequency (word frequency × inverse document frequency), BOOT (whether it exists), IDF-inverse document frequency, PMI-pointwise mutual information (self-mutual information amount), etc. There are a plurality of weight calculation methods.
Usually, the number of occurrences of the context of a word contributes little to determining the meaning of the word, while whether it appears is critical. Therefore, in an embodiment of the present invention, IDF-inverse document frequency is used to calculate the weight.
上記の処理を通して、語分割後に取得された各語とそれらの重みが取得され、また、取得されたそれらの語および重みが対象となる語のコンテキストとして使用される。 Through the above processing, each word obtained after word division and its weight are obtained, and the obtained word and weight are used as the context of the target word.
その他に、文集中の未登録語の検索および依存木方式における未登録語の分析によって、分析によって取得された依存性が対象となる語のコンテキストとして使用される。 In addition, the dependency acquired by the analysis is used as the context of the target word by the sentence-intensive unregistered word search and the unregistered word analysis in the dependency tree method.
上記のコンテキスト生成方法を通して、未登録語のコンテキストが取得される。 Through the above context generation method, the context of the unregistered word is acquired.
ステップ203で、未登録語のコンテキストおよび同義語に基づいて未登録語が属するカテゴリを決定する。
In
未登録語のコンテキストおよび同義語に基づいて未登録語が属するカテゴリを決定する処理は、複数の方法で実現することが可能である。図3から図5の以下の詳細な説明において、未登録語のコンテキストと同義語に基づいて未登録語が属するカテゴリを決定する複数の実施例を示す。 The process of determining the category to which the unregistered word belongs based on the context of the unregistered word and the synonym can be realized by a plurality of methods. In the following detailed description of FIGS. 3-5, a plurality of embodiments are shown for determining the category to which an unregistered word belongs based on the context and synonyms of the unregistered word.
図3において示す実施例において、まず、これらの同義語がそれぞれどのカテゴリに属するかを判定するために、未登録語の同義語について統計を取る。その後、それぞれのカテゴリのコンテキストを生成する。ここで、それぞれのカテゴリのコンテキストは、文集から生成されたそれぞれのカテゴリに包含されるすべての語のコンテキストに基づいて取得される。次に、関連技術における既知又は一般的な類似度計算方法を使用して、未登録語のコンテキストと各カテゴリのコンテキストの間の類似度を計算する。最後に、最大の類似度に対応するカテゴリを、未登録語が属するカテゴリとして決定する。 In the embodiment shown in FIG. 3, first, statistics are taken on synonyms of unregistered words in order to determine which category each of these synonyms belongs to. Then, the context of each category is generated. Here, the context of each category is acquired based on the context of all words included in each category generated from the collection of sentences. Next, the similarity between the unregistered word context and the context of each category is calculated using a known or general similarity calculation method in the related art. Finally, the category corresponding to the maximum similarity is determined as the category to which the unregistered word belongs.
図4において示す実施例において、まず、同義語のコンテキストを文集から生成する。ここでは、ステップ202における未登録語のコンテキストを生成する場合と同じ実現方法と同じ用いる。その後、未登録語のコンテキストと同義語のコンテキストの間の類似度を計算する。計算した類似度に基づいて未登録語の同義語から集合(この集合は予め定めた数の同義語を含む)を抽出する。次に、抽出した集合中同じカテゴリに属する同義語に対応する類似度を合計する。最後に、合計した類似度に基づいて未登録語が属するカテゴリを決定する。
図4に示す実施例においては、例えば、K最近接(KNN)アルゴリズム(K-nearest Neighbor algorithm)あるいは当業者にとって周知の他の方法を利用することができる。
In the embodiment shown in FIG. 4, first, a synonym context is generated from a collection of sentences. Here, the same implementation method as that used when generating the context of the unregistered word in
In the embodiment shown in FIG. 4, for example, the K-nearest Neighbor algorithm or other methods known to those skilled in the art can be utilized.
図5において示す実施例においては、まず、文集から同義語のコンテキストを生成し、未登録語のコンテキストと同義語のコンテキストの間の類似度を計算する。
その後、重み係数を用いて計算した類似度を重み付けすることにより、最適な類似度結果を取得する。さらに、最適な類似度に基づいて未登録語が属するカテゴリを決定する。具体的には、まず、同義語のコンテキストを文集から生成する。未登録語のコンテキストと同義語のコンテキストの間の類似度を計算する。同義語が属するカテゴリについて統計を取る。同義語に関連した所定の重み係数を入力する。入力した所定の重み係数に基づいて関連する同義語に対応する類似度を重み付けする。
そして、重み付けした類似度に基づいて未登録語の同義語から集合(この集合は予め定めた数の同義語を含む)を抽出する。集合中同じカテゴリに属する同義語の重み付けした類似度を合計する。合計した類似度に基づいて未登録語が属するカテゴリを決定する。
In the embodiment shown in FIG. 5, first, a synonym context is generated from a collection of sentences, and a similarity between the unregistered word context and the synonym context is calculated.
Thereafter, an optimum similarity result is obtained by weighting the similarity calculated using the weighting coefficient. Further, the category to which the unregistered word belongs is determined based on the optimum similarity. Specifically, first, a synonym context is generated from a collection of sentences. Calculate the similarity between the unregistered word context and the synonym context. Take statistics on the category to which the synonym belongs. A predetermined weighting factor related to the synonym is input. The similarity corresponding to the related synonyms is weighted based on the input predetermined weighting factor.
Then, a set (this set includes a predetermined number of synonyms) is extracted from synonyms of unregistered words based on the weighted similarity. Summing weighted similarities of synonyms belonging to the same category in the set. The category to which the unregistered word belongs is determined based on the total similarity.
以下、図3〜5の実施例について詳細に説明する。 Hereinafter, the embodiment of FIGS. 3 to 5 will be described in detail.
図3は、本発明の他の実施例による未登録語のカテゴリを決定する方法のフローチャートを示す。 FIG. 3 shows a flowchart of a method for determining a category of unregistered words according to another embodiment of the present invention.
ステップ301で、未登録語を入力する。
In
この実施例においては、入力した未登録語が”冰晶”であると仮定する。 In this embodiment, it is assumed that the input unregistered word is “冰晶”.
ステップ302で、未登録語と1つ以上の語構成要素を共有する語を、未登録語の同義語として辞書から選択する。
In
上述したように、語構成規則は、語構成要素、要素属性および要素関係等を含んでいる。一方、語構成要素は、語を形成する文字および(または)直接要素等を含んでいる。未登録語と辞書が与えられると、辞書中の語がその未登録語と1つ以上の語構成要素を共有すれば、それらは全て未登録語の同義語として認められ、同義語集合内に置かれる。上記は、語構成規則に基づいて辞書から未登録語の同義語を選択するのための具体的な実現方法と認められる。 As described above, the word composition rules include word composition elements, element attributes, element relationships, and the like. On the other hand, the word component includes characters and / or direct elements that form a word. Given an unregistered word and a dictionary, if a word in the dictionary shares one or more word components with the unregistered word, they are all accepted as synonyms for the unregistered word and are in the synonym set. Placed. The above is recognized as a specific implementation method for selecting a synonym of an unregistered word from a dictionary based on word composition rules.
以下に、同じ文字を共有する例を提示する。
例えば、未登録語が2文字”冰”および”晶”からなる”冰晶”であると想定する。
辞書中の文字”冰”を含む語が”冰刀”、
For example, assume that the unregistered word is “冰晶” consisting of two letters “文字” and “晶”.
The word that contains the letter “文字” in the dictionary is “sword”,
ステップ303で、未登録語のコンテキストを文集から生成する。
In
未登録語のコンテキストは、ウィンドウ方式を適用することにより、依存木方式あるいは当業者に既知の他の方式で生成される。具体的な実現方法はステップ202において説明したので、ここでは説明を省略する。
The unregistered word context is generated by applying the window method in a dependency tree method or other methods known to those skilled in the art. Since the specific implementation method has been described in
ステップ304で、同義語が属するカテゴリについて統計を取る。このステップにおいては、未登録語のそれぞれの同義語のカテゴリを取得し、その後、それらについて統計を取り、それらの同義語が属する全てのカテゴリをそれぞれ決定する。
At
例えば、”冰刀”はカテゴリC1に属し、
前述したように、辞書中の語はそれぞれ、品詞、カテゴリ、語義、例文及び他の情報のタグが付けられている。したがって、各語がどのカテゴリに属するかは直接辞書から導き出すことが可能である。さらに、語のカテゴリは手作業で設定することも可能である。
For example, “Sword” belongs to category C1,
As described above, each word in the dictionary is tagged with parts of speech, categories, meanings, example sentences, and other information. Therefore, it is possible to derive directly from the dictionary which category each word belongs to. Furthermore, word categories can be set manually.
この例において、カテゴリC1に属する語が”冰刀”を含み、カテゴリC2に属する語が
このことから、未登録語”冰晶”の同義語の属するカテゴリがそれぞれC1、C2、C3およびC4であることが取得される。 From this, it is acquired that the categories to which the synonyms of the unregistered word “冰晶” belong are C1, C2, C3 and C4, respectively.
ステップ305で、各カテゴリ内に含まれる全ての語のコンテキストを、各カテゴリのコンテキストとして文集から生成する。
In
このステップでは、まず、それぞれのカテゴリ内に含まれている語を全て確定する。
例えば、カテゴリC1が”冰刀”の他に、さらに
カテゴリC2が
一方、カテゴリC3が”水晶”、”晶粒”、”晶体”だけを含むならば、C3={”水晶”、”晶粒”、”晶体”}と記録し、カテゴリC4が”冰雨”、”冰雪”だけを含むならば、C4={”冰雨”、”冰雪”}と記録する。
In this step, first, all the words included in each category are determined.
For example, in addition to the category C1 “sword”,
Category C2
On the other hand, if the category C3 includes only “crystal”, “crystal grain”, and “crystal”, then C3 = {“crystal”, “crystal grain”, “crystal”} and the category C4 is “rainstorm”. , If only “Snow” is included, record C4 = {“Sweet”, “Snow”}.
ステップ202で説明したような文集から語のコンテキストを生成する方法によれば、上記4つ以上のカテゴリC1−C4内に含まれる各語のコンテキストが生成される。各カテゴリに含まれる全ての語のコンテキストは、各カテゴリのコンテキストとして考えられる。
例えば、カテゴリC1に含まれる
For example, it is included in category C1
ステップ306で、未登録語のコンテキストと各カテゴリのコンテキストとの間の類似度を計算する。
In
前述したように、未登録語のコンテキストはベクトルと見なすことができ、かつカテゴリのコンテキストについてもそこに含まれるすべての語のコンテキストを組み合わせたものあることからベクトルと見なすことができる。
したがって、ベクトルのコサイン距離を利用して2つのベクトル間の類似度を計算することができる。
コサイン距離は、式(1)で表される。
ここで、XとYは2つのベクトルであり、nはXとYのベクトルの長さを示し、xjとyjはXベクトルとYベクトル中のj番目の要素を示す。
As described above, the context of an unregistered word can be regarded as a vector, and the context of a category can be regarded as a vector because there is a combination of contexts of all words included therein.
Therefore, the similarity between two vectors can be calculated using the cosine distance of the vectors.
The cosine distance is expressed by equation (1).
Here, X and Y are two vectors, n indicates the length of the X and Y vectors, and x j and y j indicate the jth element in the X and Y vectors.
本発明に関する例によれば、Xは未登録語のコンテキストであり、Yはカテゴリのコンテキストであり、一方、xjとyjはXとYのコンテキスト中のj番目の要素に対応する重みをそれぞれ示している。
2つのコンテキスト内に含まれている要素の数が異なるならば、2つのベクトルの全ての要素が、新たなコンテキスト・ベクトルX’およびY’を再構成するために抽出される。
X’について、X’内の要素がX内に出現しなければ、対応する重みを0として設定する。
しかしながら、XとYの間の類似度の計算は、式(1)によってX’とY’の間の類似度を計算することにより実施される。
上記のコサイン距離の計算を通して、未登録語のコンテキストとそれぞれのカテゴリのコンテキストの間の類似度は、次のように取得される。
Sim(context(冰晶),context(C1)) = 0.71,
Sim(context(冰晶),context(C2)) = 0.67,
Sim(context(冰晶),context(C3))
= 0.81,
Sim(context(冰晶),context(C4))
= 0.65,
ここで、context(冰晶)は、語(冰晶)のコンテキストを示し、context(C1)は、カテゴリC1のコンテキストを示す。そして、Sim(A、B)は、AとBの間の類似度を示す。
従って、未登録語”冰晶”のコンテキストとカテゴリC1、C2、C3、C4のコンテキスト間の類似度は、それぞれ、0.71,0.67,0.81,0.65である。
According to an example related to the present invention, X is an unregistered word context, Y is a category context, while x j and y j are weights corresponding to the j th element in the X and Y contexts. Each is shown.
If the number of elements contained in the two contexts is different, all elements of the two vectors are extracted to reconstruct new context vectors X ′ and Y ′.
For X ′, if the element in X ′ does not appear in X, the corresponding weight is set to zero.
However, the similarity between X and Y is calculated by calculating the similarity between X ′ and Y ′ according to equation (1).
Through the above cosine distance calculation, the similarity between the unregistered word context and the context of each category is obtained as follows.
Sim (context (冰晶), context (C1)) = 0.71,
Sim (context (冰晶), context (C2)) = 0.67,
Sim (context (冰晶), context (C3))
= 0.81,
Sim (context (冰晶), context (C4))
= 0.65,
Here, context (冰晶) indicates the context of the word (冰晶), and context (C1) indicates the context of category C1. Sim (A, B) indicates the similarity between A and B.
Therefore, the similarities between the context of the unregistered word “冰晶” and the contexts of the categories C1, C2, C3, and C4 are 0.71, 0.67, 0.81, and 0.65, respectively.
なお、2つの間の類似度については、当業者によって既知の他の方法によって計算することが可能である。 Note that the degree of similarity between the two can be calculated by other methods known to those skilled in the art.
ステップ307で、最大の類似度に対応するカテゴリを未登録語のカテゴリとして決定する。
In
ステップ306で計算される類似度の比較によって、未登録語”冰晶”のコンテキストとカテゴリC3のコンテキストの間の類似度が最も高いことが分かる。その結果、未登録語”冰晶”のカテゴリはカテゴリC3として確定される。
By comparing the similarity calculated in
図4は、本発明の他の実施の形態による未登録語のカテゴリを決定する方法のフローチャートを示す。 FIG. 4 shows a flowchart of a method for determining a category of unregistered words according to another embodiment of the present invention.
ステップ401で、未登録語を入力する。
In
この実施の形態においては、図3の実施の形態と同様に、受信した未登録語が”冰晶”であると仮定する。 In this embodiment, as in the embodiment of FIG. 3, it is assumed that the received unregistered word is a “crystal”.
ステップ402で、未登録語の品詞を決定する。
In
未登録語の品詞の決定するためには複数の方法が存在する。例えば、未登録語の品詞を既知の様々なモデルを使用して推測することも可能であるし、あるいは人為的なタグ付けによって決定することも可能である。この例において、未登録語”冰晶”の品詞が名詞であると仮定する。 There are several ways to determine the part of speech of an unregistered word. For example, the part of speech of an unregistered word can be inferred using various known models, or can be determined by artificial tagging. In this example, it is assumed that the part of speech of the unregistered word “語 晶” is a noun.
ステップ403で、未登録語と語構成要素を共有する語を辞書から選択する。
In
例えば、ステップ302と同じように、未登録語が”冰晶”であると仮定すると、未登録語”冰晶”と1文字を共有する集合は{”冰刀”、
この時、ステップ302と異なるのは、上記集合は未登録語の同義語として直接取得されず、かつステップ404における品詞フィルタリング処理が続いて実行されることである。
At this time, the difference from
ステップ404で、未登録語と同じ品詞を持つ語を未登録語の同義語として上記選択した語から選び出す。
In
前述したように、語構成規則は、語構成要素、要素属性および要素関係を含んでおり、かつ要素属性は、語の注釈、長さ、品詞等を含んでいる。
図4の実施の形態においては、語構成規則中の品詞を利用して未登録語の同義語の選択を実行する。
As described above, the word composition rule includes a word composition element, an element attribute, and an element relationship, and the element attribute includes a word annotation, a length, a part of speech, and the like.
In the embodiment of FIG. 4, synonyms for unregistered words are selected using the part of speech in the word composition rules.
この実施の形態においては、ステップ402から未登録語”冰晶”の品詞が名詞であることが決定でき、また集合{"冰刀",
ステップ405で、未登録語のコンテキストを文集から生成する。
In
語のコンテキストは、ウィンドウ方式を適用することにより、依存木方式あるいは当業者にとって既知の他の方式で生成される。具体的な実現方法はステップ202において説明したので、ここでは説明を省略する。
The word context is generated by applying a window scheme in a dependency tree scheme or other schemes known to those skilled in the art. Since the specific implementation method has been described in
ステップ406で、同義語のコンテキストを文集から生成する。
At
同義語のコンテキストは、ウィンドウ方式を適用することにより、依存木方式あるいは当業者にとって既知の他の方式で生成される。具体的な実現方法はステップ202において説明したので、ここでは説明を省略する。
Synonym contexts are generated by applying a window scheme in a dependency tree scheme or other schemes known to those skilled in the art. Since the specific implementation method has been described in
ステップ407で、未登録語のコンテキストと同義語のコンテキストの間の類似度を計算する。
In
前述したように、未登録語のコンテキストはベクトルと見なすことができ、かつ同義語のコンテキストについてもベクトルと見なすことができる。したがって、ベクトルのコサイン距離の式(1)を利用して2つのベクトル間の類似度を計算することができる。 As described above, the context of unregistered words can be regarded as a vector, and the context of synonyms can also be regarded as a vector. Therefore, the similarity between two vectors can be calculated using the expression (1) of the cosine distance of the vectors.
本発明に関する例によれば、Xは未登録語のコンテキストであり、Yは未登録語の同義語のコンテキストであり、一方、xjとyjはXとYのコンテキスト中のj番目の要素に対応する重みをそれぞれ示している。
上記のコサイン距離の計算を通して、未登録語のコンテキストとその同義語のコンテキストの間の類似度は、次のように取得される。
Sim(context(冰晶),context(冰刀))
= 0.30,
Sim(context(冰晶),context
Sim(context(冰晶),context(水晶)) = 0.81,
Sim(context(冰晶),context(晶粒)) = 0.74,
Sim(context(冰晶),context(冰雨)) = 0.69,
Sim(context(冰晶),context(冰雪))
= 0.56,
ここで、context(冰晶)は未登録語”冰晶”のコンテキストを示し、context(冰刀)は未登録語”冰晶”の同義語”冰刀”のコンテキストを示す。そして、Sim(A、B)は、AとBの間の類似度を示す。
従って、未登録語”冰晶”と同義語”冰刀”,
Through the above cosine distance calculation, the similarity between an unregistered word context and its synonym context is obtained as follows.
Sim (context (冰晶) 、 context (冰刀))
= 0.30,
Sim (context (冰晶) 、 context
Sim (context (crystal), context (crystal)) = 0.81
Sim (context (冰晶) 、 context (晶粒)) = 0.74,
Sim (context (冰晶), context (冰雨)) = 0.69,
Sim (context (冰晶) 、 context (冰雪))
= 0.56,
Here, context (冰晶) indicates the context of the unregistered word “冰晶”, and context (冰 sword) indicates the context of the synonym “冰冰” of the unregistered word “冰晶”. Sim (A, B) indicates the similarity between A and B.
Therefore, the unregistered word “冰晶” is synonymous with “sword”,
ステップ408で、類似度に基づいて未登録語の同義語から1つの集合を抽出する。
In
抽出される集合中の同義語の数を予め設定する。一例において、その集合は、所定数の同義語を含むように設定される。所定数は、未登録語の同義語の合計数以下の任意の数である。本実施の形態においては、所定数をKとし、所定数が5であると仮定する。すなわち、K=5と仮定する。 The number of synonyms in the set to be extracted is set in advance. In one example, the set is set to include a predetermined number of synonyms. The predetermined number is an arbitrary number equal to or less than the total number of synonyms of unregistered words. In the present embodiment, it is assumed that the predetermined number is K and the predetermined number is 5. That is, assume that K = 5.
まず、ステップ407で取得した類似度を、降順にソートする。
First, the similarities acquired in
本実施の形態においては、ステップ407で、計算された合計6つの類似度がある。降順にそれらをソートすることで、以下の順序を取得する。
0.81,0.74,0.69,0.67,0.56
また、この順序の類似度に対応する同義語は、それぞれ、”水晶”、”晶粒”、”冰雨”、
0.81, 0.74, 0.69, 0.67, 0.56
The synonyms corresponding to the similarity in this order are “crystal”, “crystal grain”, “rainstorm”,
その後、上位から順番に、所定数の類似度に対応する同義語を、集合に抽出する。 Then, in order from the top, synonyms corresponding to a predetermined number of similarities are extracted into a set.
この実施の形態においては、所定数K=5であり、未登録語について合計で6つの同義語があるので、降順にソートされた類似度のうち最初の5つの類似度、すなわち、0.81、0.74、0.69、0.67、0.56が選択される。
そして、これらの類似度に対応する同義語”水晶”,”晶粒”,”冰雨”,
And the synonyms “crystal”, “grain”, “rainstorm” corresponding to these similarities,
ステップ409で、集合中、同じカテゴリに属する同義語に対応する類似度を合計する。
In
このステップにおいて、まず、未登録語の同義語が属するカテゴリを決定する。それはステップ304の方法に従って実施され、それによってステップ304と同じ結果が得られる。すなわち、カテゴリC2に属する語が
従って、ステップ408で抽出した集合に含まれる同義語は、それぞれ、C2、C3およびC4に属する。
In this step, first, a category to which synonyms of unregistered words belong is determined. It is performed according to the method of
Therefore, the synonyms included in the set extracted in
次に、未登録語のコンテキストと同じカテゴリに属する同義語のコンテキストの間の類似度を合計し、その結果として、未登録語とそれぞれのカテゴリの間の類似度を得る。例えば、以下のように未登録語とそれぞれのカテゴリの間の類似度を得る。
Sim(冰晶,C2)=Sim(context(冰晶),context
Sim(冰晶,C3)=Sim(context(冰晶),context(水晶))+Sim(context(冰晶),
context(晶粒)) = 1.55,
Sim(冰晶,C4)=Sim(context(冰晶),context(冰雨))+Sim(context(冰晶),
context(冰雪)) = 1.25
Next, the degrees of similarity between the contexts of synonyms belonging to the same category as the context of unregistered words are summed, and as a result, the degree of similarity between the unregistered word and each category is obtained. For example, the similarity between an unregistered word and each category is obtained as follows.
Sim (冰晶 、 C2) = Sim (context (冰晶) 、 context
Sim (冰晶 、 C3) = Sim (context (冰晶) 、 context (quartz)) + Sim (context (冰晶) 、
context (grain)) = 1.55,
Sim (冰晶 、 C4) = Sim (context (冰晶) 、 context (冰雨)) + Sim (context (冰晶) 、
context ()) = 1.25
ステップ410で、合計された類似度に従って未登録語のカテゴリを決定する。
In
ステップ409で取得した未登録語とそれぞれのカテゴリの間の類似度をソートする。それにより、未登録語”冰晶”とカテゴリC3の間の類似度が最も高いことが分かる。その結果、カテゴリC3が未登録語のカテゴリとして決定される。
The degree of similarity between the unregistered word acquired in
さらに、本発明のいくつかの実施の形態においては、合計した類似度に基づいて未登録語が属するカテゴリを決定するのにその他のルールを利用することも可能である。
例えば、未登録語とそれぞれのカテゴリの間の最大の類似度が選択されないことがあるが、この場合、類似度中の中間の値に対応するカテゴリを未登録語のカテゴリとして決定する。
Further, in some embodiments of the present invention, other rules may be used to determine the category to which the unregistered word belongs based on the total similarity.
For example, the maximum similarity between the unregistered word and each category may not be selected. In this case, the category corresponding to the intermediate value in the similarity is determined as the category of the unregistered word.
図5は、本発明のさらに他の実施の形態による未登録語のカテゴリを決定する方法のフローチャートを示す。 FIG. 5 shows a flowchart of a method for determining a category of unregistered words according to still another embodiment of the present invention.
ステップ501で、未登録語を入力する。
In
この実施の形態において、入力した未登録語が
ステップ502で、未登録語と1つ以上の語構成要素を共有する語を、未登録語の同義語として辞書から選択する。
In
ステップ302と同じように、
ステップ502で語構成規則に基づいて選択された未登録語の同義語は、
The synonym of the unregistered word selected based on the word composition rules in
ステップ503で、未登録語のコンテキストを文集から生成する。
In
未登録語のコンテキストは、ウィンドウ方式を適用することにより、依存木方式あるいは当業者にとって既知の他の方式で生成される。具体的な実現方法はステップ202において説明したので、ここでは説明を省略する。
The unregistered word context is generated by applying the window method in a dependency tree method or other methods known to those skilled in the art. Since the specific implementation method has been described in
ステップ504で、同義語のコンテキストを文集から生成する。
In
未登録語の同義語のコンテキストは、ウィンドウ方式を適用することにより、依存木方式あるいは当業者にとって既知の他の方式で生成される。具体的な実現方法はステップ202において説明したので、ここでは説明を省略する。
The context of synonyms for unregistered words is generated by applying a windowing scheme in a dependency tree scheme or other schemes known to those skilled in the art. Since the specific implementation method has been described in
ステップ505で、未登録語のコンテキストと同義語のコンテキストの間の類似度を計算する。
In
このステップはステップ407と同様であるので、ここでは詳細を説明しない。ステップ505で、未登録語
ステップ506で、同義語が属するカテゴリについて統計を取る。
At
このステップは、ステップ304において説明した方法で実現され、以下の結果を得る。
カテゴリC1に属する語は
The words belonging to category C1
ステップ507で、同義語に関連する所定の重み係数を入力する。
In
カテゴリの決定のために、語のコンテキストは非常に重要であり、また、同様に、語の構造情報は、カテゴリの判定にとって非常に重要である。従って、本発明は、混合類似度の概念、すなわち語の構造情報を用いて未登録語のコンテキストと同義語のコンテキストの間の類似度を重み付けすることを提案する。
本実施の形態において、語の構造情報は、例えば所定の重み係数λ(w、wi)である。所定の重み係数を用いて未登録語のコンテキストと同義語のコンテキストの間の類似度に重みを加えることは、以下の式において示される。
For category determination, word context is very important, and similarly, word structure information is very important for category determination. Accordingly, the present invention proposes weighting the similarity between the context of unregistered words and the context of synonyms using the concept of mixed similarity, ie word structure information.
In the present embodiment, the word structure information is, for example, a predetermined weighting factor λ (w, w i ). Adding a weight to the similarity between an unregistered word context and a synonym context using a predetermined weighting factor is shown in the following equation.
Sim(w, wi)
= λ(w,wi) * CTS(w, wi)
(2)
ここで、wは未登録語である。wiは未登録語の同義語である。λ(w、wi)は、未登録語wおよび同義語wjの構造情報に基づく重み係数を指す。そして、CTS(w、wi)は、未登録語wのコンテキストとその同義語wjのコンテキストの間の類似度を示す。
Sim (w, w i )
= λ (w, w i ) * CTS (w, w i )
(2)
Here, w is an unregistered word. w i is a synonym for an unregistered word. λ (w, w i ) refers to a weighting factor based on the structure information of the unregistered word w and the synonym w j . CTS (w, w i ) indicates the similarity between the context of the unregistered word w and the context of its synonym w j .
重み係数を設定するには複数の方法を使用することが可能である。1つの実施例では、重み係数の設定は以下のポリシーを満足する必要がある。
未登録語wとその同義語wjが最後の1文字と最後から2番目の文字を共有するならば、所定の重み係数λ(w、wi)をλ1として設定する。
例えば、
未登録語wおよびその同義語wjが最後の1文字と最初の1文字を共有しならば、所定の重み係数λ(w、wi)をλ2として設定する。
例えば
未登録語wおよびその同義語wjが最初の1文字或いは最後の1文字を共有するならば、所定の重み係数λ(w、wi)をλ3として設定する。
例えば、λ(基民、市民)=λ3
Several methods can be used to set the weighting factor. In one embodiment, the weighting factor setting needs to satisfy the following policy:
If the unregistered word w and its synonym w j share the last one character and the second character from the end, a predetermined weighting factor λ (w, w i ) is set as λ 1 .
For example,
If the unregistered word w and its synonym w j share the last one character and the first one character, a predetermined weight coefficient λ (w, w i ) is set as λ 2 .
For example
If the unregistered word w and its synonym w j share the first character or the last character, a predetermined weight coefficient λ (w, w i ) is set as λ 3 .
For example, λ (base people, citizens) = λ 3
それ以外の場合、重み係数λ(w、wi)をλ4と設定する。
ここで、λ1≧λ2≧λ3≧λ4であり、対応する数字は試験を通して取得される。
Otherwise, it sets the weight coefficient λ (w, w i) of the lambda 4.
Here, λ 1 ≧ λ 2 ≧ λ 3 ≧ λ 4 and the corresponding numbers are obtained throughout the test.
ステップ508で、所定の重み係数の用いて関連する同義語に対応する類似度に重み付けを行う。
In
一例において、ステップ507によって、
ステップ507によって取得した上記重み係数、およびステップ505によって取得した未登録語のコンテキストと同義語のコンテキストの間の類似度は、式(2)に適用され、その結果、以下に示すような重み付けされた類似度が得られる。
ステップ509で、類似度に基づいて未登録語の同義語から集合を抽出する。
In
このステップはステップ408と類似している。まず、ステップ507で取得した重みが加えられた類似度を、降順にソートする。その後、上位から順番に、所定数の類似度に対応する同義語を、集合に抽出する。
This step is similar to step 408. First, the similarities to which weights acquired in
この実施の形態において、同様に設定回数K=5と仮定しているので、降順にソートされた類似度のうち最初の5つの類似度、すなわち、3.0、0.172、0.115、0.103、0.076が選択される。
そして、これらの類似度に相応する同義語
And synonyms corresponding to these similarities
ステップ510で、集合中、同じカテゴリに属する同義語に対応する類似度を合計する。
In
このステップ510はステップ409に類似している。
This
まず、ステップ506の結果から、抽出された集合中の
これにより、ステップ509で抽出された集合に含まれる同義語は、それぞれC2、C3およびC4に属し、かつ、これらのカテゴリがすなわち未登録語の候補カテゴリである。
First, from the result of
Thereby, the synonyms included in the set extracted in
次に、未登録語のコンテキストと、同じカテゴリに属する同義語のコンテキストの間の類似度を合計し、その結果として、未登録語とそれぞれのカテゴリの間の類似度を取得する。例えば、以下のように類似度を取得する。
ステップ511で、合計された類似度に従って未登録語のカテゴリを決定する。
In
ステップ510で取得した未登録語とそれぞれのカテゴリの間の類似度をソートする。これにより、未登録語
本発明によれば、未登録語の同義語を語構成規則に基づいて辞書から選択し、未登録語のコンテキストを文集から生成する。そして、未登録語のコンテキストおよび同義語に基づいて未登録語が属するカテゴリを決定する。
本発明は、関連技術における性能低下の問題を解決し、高いカバー範囲でカテゴリ選択を実現するために語構成規則に基づいて既存の辞書からどのように自動的に同義語を選択するかの問題を解決する。
そして、正確に語義類似度を計算するために語構造的情報およびコンテキスト情報をどのようにマージするかという問題を解決する。
According to the present invention, a synonym of an unregistered word is selected from a dictionary based on a word composition rule, and a context of the unregistered word is generated from a collection of sentences. Then, the category to which the unregistered word belongs is determined based on the context of the unregistered word and the synonym.
The present invention solves the problem of performance degradation in the related art and how to automatically select synonyms from existing dictionaries based on word construction rules to achieve category selection with high coverage To solve.
Then, the problem of how to merge the word structure information and the context information to accurately calculate the semantic similarity is solved.
本発明による方法は、ソフトウェア、ハードウェア、またはソフトウェアとハードウェアとの組み合わせにとして実現することができる。ハードウェア部分は専用ロジックを使用して実装でき、ソフトウェア部分は、メモリ内に格納しておき、マイクロプロセッサ、パーソナルコンピュータ(PC)、メインフレーム等の適切な命令実行システムによって実行することができる。 The method according to the invention can be implemented as software, hardware, or a combination of software and hardware. The hardware part can be implemented using dedicated logic, and the software part can be stored in a memory and executed by a suitable instruction execution system such as a microprocessor, personal computer (PC), mainframe or the like.
上記の説明では、本発明をより理解しやすくするため、本発明の実現には必須とされるが、当該技術に精通した当業者には広く知られている技術の詳細を一部省略している。 In the above description, in order to make the present invention easier to understand, it is essential for the realization of the present invention, but some details of the technique widely known to those skilled in the art are omitted. Yes.
本発明の説明は例示と説明を目的として記載したものであり、すべての実施例を網羅することや、本発明を上記の形態に限定することを意図するものではない。多数の変更や改変が可能なことは、当該技術の通常の技量を有する当業者には明らかであろう。 The description of the invention has been presented for purposes of illustration and description, and is not intended to be exhaustive or to limit the invention to the form described above. Many modifications and variations will be apparent to practitioners skilled in this art.
したがって、上記の実施例は、本発明の原理と実用用途とをより明快に説明すると共に、本発明の精神から逸脱することなくなされたすべての変更および改変は付記される請求項に定義される本発明の保護範囲に含まれることを、当該技術の通常の技量を有する当業者が理解する上での助けとすることを目的として、選択され説明されたものである。 Thus, the foregoing embodiments more clearly illustrate the principles and practical applications of the present invention, and all changes and modifications made without departing from the spirit of the present invention are defined in the appended claims. It has been selected and described for the purpose of assisting those skilled in the art having the ordinary skill in the art to understand that they are within the protection scope of the present invention.
さらに、上記実施形態の一部又は全部は、以下の付記のようにも記載されうるが、これに限定されない。 Further, a part or all of the above-described embodiment can be described as in the following supplementary notes, but is not limited thereto.
(付記1)
語構成規則に基づいて未登録語の同義語を辞書から選択するステップと、
文集から未登録語のコンテキストを生成するステップと、
未登録語のコンテキストと同義語に従って未登録語のカテゴリを決定するステップと
を含むことを特徴とする未登録語のカテゴリ決定方法。
(Appendix 1)
Selecting synonyms for unregistered words from a dictionary based on word composition rules;
Generating a context of unregistered words from the collection of sentences;
Determining the category of the unregistered word according to the context of the unregistered word and the synonym.
(付記2)
前記語構成規則が、語構成要素、要素属性および要素関係を含むことを特徴とする付記1に記載の未登録語のカテゴリ決定方法。
(Appendix 2)
The unregistered word category determination method according to claim 1, wherein the word composition rule includes a word composition element, an element attribute, and an element relationship.
(付記3)
語構成規則に基づいて未登録語の同義語を辞書から選択するステップが、未登録語と1つ以上の語構成要素を共有する語を未登録語の同義語として辞書から選択するステップを含むことを特徴とする付記2に記載の未登録語のカテゴリ決定方法。
(Appendix 3)
Selecting a synonym of an unregistered word from the dictionary based on a word composition rule includes selecting from the dictionary a word that shares one or more word components with the unregistered word as a synonym of the unregistered word The method for determining a category of unregistered words according to Supplementary Note 2, wherein:
(付記4)
語構成規則に基づいて未登録語の同義語を辞書から選択するステップが、
未登録語の品詞を決定するステップと、
未登録語と1つ以上の語構成要素を共有する語を辞書から選択するステップと、
選択した全ての語から未登録語と同じ品詞を有する語を未登録語の同義語として選択するステップとを含むことを特徴とする付記2に記載の未登録語のカテゴリ決定方法。
(Appendix 4)
Selecting a synonym of an unregistered word from a dictionary based on word composition rules,
Determining a part of speech for an unregistered word;
Selecting words from a dictionary that share one or more word components with unregistered words;
The method for determining an unregistered word category according to appendix 2, further comprising: selecting a word having the same part of speech as the unregistered word from all the selected words as a synonym of the unregistered word.
(付記5)
文集から未登録語のコンテキストを生成するステップが、
文集から未登録語を検索するステップと、
ウィンドウ方式の適用により未登録語に隣接する文字を取り出すステップと、
取り出した未登録語に隣接する文字に語分割を実行するステップと、
語分割の後に得られた各語の重みを決定し、語分割の後に取得したそれぞれの語とそれらの重みを未登録語のコンテキストとして使用するステップとを含むことを特徴とする付記1に記載の未登録語のカテゴリ決定方法。
(Appendix 5)
The step of generating a context of unregistered words from the collection of sentences
Searching unregistered words from the collection of sentences;
Extracting a character adjacent to an unregistered word by applying a window method;
Performing word splitting on characters adjacent to the unregistered word that was retrieved;
Supplementary note 1 including the step of determining the weight of each word obtained after word division and using each word obtained after word division and the weight as the context of an unregistered word To determine the category of unregistered words.
(付記6)
文集から未登録語のコンテキストを生成するステップが、
文集から未登録語を検索するステップと、
未登録語のコンテキストとして依存関係を用いるために、依存木方式によって未登録語の依存関係を分析するステップとを含むことを特徴とする付記1に記載の未登録語のカテゴリ決定方法。
(Appendix 6)
The step of generating a context of unregistered words from the collection of sentences
Searching unregistered words from the collection of sentences;
The method for determining a category of unregistered words according to claim 1, further comprising a step of analyzing the dependency relationship of unregistered words by a dependency tree method in order to use the dependency relationship as a context of unregistered words.
(付記7)
未登録語のコンテキストと同義語に基づいて未登録語が属するカテゴリを決定するステップが、
同義語が属するカテゴリについて統計を取るステップと、
各カテゴリに含まれる全ての語のコンテキストを、各カテゴリのコンテキストとして、文集から生成するステップと、
未登録語のコンテキストと各カテゴリのコンテキストの間の類似度を計算するステップと、
最大の類似度を有するカテゴリを未登録語が属するカテゴリとして決定するステップとを含むことを特徴とする付記1に記載の未登録語のカテゴリ決定方法。
(Appendix 7)
Determining the category to which the unregistered word belongs based on the context of the unregistered word and the synonym,
Taking statistics about the category to which the synonym belongs,
Generating the context of all words included in each category from the collection as the context of each category;
Calculating the similarity between the unregistered word context and the context of each category;
The method for determining a category of unregistered words according to appendix 1, further comprising: determining a category having the maximum similarity as a category to which an unregistered word belongs.
(付記8)
未登録語のコンテキストと同義語に基づいて未登録語が属するカテゴリを決定するステップが、
文集から同義語のコンテキストを生成するステップと、
未登録語のコンテキストと同義語のコンテキストの間の類似度を計算するステップと、
計算によって取得した類似度に基づいて、同義語から集合を抽出するステップと、
抽出した集合において同じカテゴリに属する同義語に対応する類似度を合計するステップと、
合計した類似度に基づいて未登録語が属するカテゴリを決定するステップとを含むことを特徴とする付記1に記載の未登録語のカテゴリ決定方法。
(Appendix 8)
Determining the category to which the unregistered word belongs based on the context of the unregistered word and the synonym,
Generating a synonym context from the collection,
Calculating a similarity between an unregistered word context and a synonym context;
Extracting a set from synonyms based on the similarity obtained by calculation;
Summing similarities corresponding to synonyms belonging to the same category in the extracted set;
The method for determining a category of unregistered words according to appendix 1, further comprising: determining a category to which unregistered words belong based on the total similarity.
(付記9)
未登録語のコンテキストと同義語に基づいて未登録語が属するカテゴリを決定するステップが、
文集から同義語のコンテキストを生成するステップと、
未登録語のコンテキストと同義語のコンテキストの間の類似度を計算するステップと、
同義語が属するカテゴリについて統計を取るステップと、
同義語に関連付けた所定の重み係数を入力するステップと、
入力した所定の重み係数に基づいて、関連する同義語に対応する類似度に重みを加えるステップと、
重みが加えられた類似度に基づいて同義語から集合を抽出するステップと、
抽出した集合中、同じカテゴリに属する同義語に対応する重みが加えられた類似度を合計するステップと、
合計した類似度に基づいて未登録語が属するカテゴリを決定するステップを含むことを特徴とする付記1に記載の未登録語のカテゴリ決定方法。
(Appendix 9)
Determining the category to which the unregistered word belongs based on the context of the unregistered word and the synonym,
Generating a synonym context from the collection,
Calculating a similarity between an unregistered word context and a synonym context;
Taking statistics about the category to which the synonym belongs,
Inputting a predetermined weighting factor associated with the synonym;
Adding weights to similarities corresponding to related synonyms based on the input predetermined weighting factors;
Extracting a set from synonyms based on the weighted similarity,
Summing the similarities with weights corresponding to synonyms belonging to the same category in the extracted set;
The category determination method for unregistered words as set forth in appendix 1, further comprising the step of determining a category to which unregistered words belong based on the total similarity.
(付記10)
所定の重み係数の設定が、
未登録語とカテゴリ内の語が最後の1文字と最後から2番目の文字を共有するならば、カテゴリに関連する所定の重み係数をλ1と設定し、
そうではなく、未登録語とカテゴリ内の語が最後の1文字と最初の1文字を共有するならば、カテゴリに関連する所定の重み係数をλ2と設定し、
そうではなく、未登録語とカテゴリ内の語が最初の1文字或いは最後の1文字を共有するならば、カテゴリに関連する所定の重み係数をλ3と設定し、
それ以外の場合、カテゴリに関連する所定の重み係数をλ4と設定する
ここで、λ1≧λ2≧λ3≧λ4である
ポリシーを満たすことを特徴とする付記9に記載の未登録語のカテゴリ決定方法。
(Appendix 10)
The predetermined weighting factor setting is
If the unregistered word and the word in the category share the last character and the penultimate character, set the predetermined weighting factor associated with the category as λ1,
Otherwise, if the unregistered word and the word in the category share the last one letter and the first one letter, set the predetermined weighting factor associated with the category as λ2,
Otherwise, if the unregistered word and the word in the category share the first character or the last character, set the predetermined weighting factor associated with the category as λ3,
Otherwise, the predetermined weighting factor related to the category is set as λ4, where λ 1 ≧ λ 2 ≧ λ 3 ≧ λ 4 The unregistered word according to appendix 9, characterized by satisfying the policy Category determination method.
(付記11)
類似度に基づいて同義語から集合を抽出するステップが、
類似度を降順にソートするステップと、
上位から順番に、所定数の類似度に対応する同義語を、集合に抽出するステップとを含むことを特徴とする付記8又は付記9に記載の未登録語のカテゴリ決定方法。
(Appendix 11)
Extracting a set from synonyms based on similarity,
Sorting the similarities in descending order;
The method for determining a category of unregistered words according to appendix 8 or appendix 9, further comprising: extracting synonyms corresponding to a predetermined number of similarities in order from the top.
(付記12)
語構成規則に基づいて未登録語の同義語を辞書から選択する同義語選択部と、
文集から未登録語のコンテキストを生成するコンテキスト生成部と、
未登録語のコンテキストと同義語に従って未登録語のカテゴリを決定するカテゴリ決定部と
を備えることを特徴とする未登録語のカテゴリ決定装置。
(Appendix 12)
A synonym selection unit that selects a synonym of an unregistered word from a dictionary based on a word composition rule;
A context generator that generates a context of unregistered words from the collection of sentences;
A category determining unit that determines a category of an unregistered word according to a context of the unregistered word and a synonym.
(付記13)
前記語構成規則が、語構成要素、要素属性および要素関係を含むことを特徴とする付記12に記載の未登録語のカテゴリ決定装置。
(Appendix 13)
The category determination device for unregistered words according to attachment 12, wherein the word composition rule includes a word composition element, an element attribute, and an element relationship.
(付記14)
前記同義語選択部が、
未登録語と1つ以上の語構成要素を共有する語を未登録語の同義語として辞書から選択する手段を含むことを特徴とする付記13に記載の未登録語のカテゴリ決定装置。
(Appendix 14)
The synonym selection unit is
14. The category determination device for unregistered words according to appendix 13, further comprising means for selecting, from the dictionary, a word that shares one or more word components with the unregistered word as a synonym of the unregistered word.
(付記15)
前記同義語選択部が、
未登録語の品詞を決定する手段と、
未登録語と1つ以上の語構成要素を共有する語を辞書から選択する手段と、
選択した全ての語から未登録語と同じ品詞を有する語を未登録語の同義語として選択する手段とを含むことを特徴とする付記13に記載の未登録語のカテゴリ決定装置。
(Appendix 15)
The synonym selection unit is
A means of determining the part of speech for unregistered words;
Means for selecting words from the dictionary that share one or more word components with unregistered words;
The unregistered word category determination device according to appendix 13, further comprising means for selecting, from all selected words, a word having the same part of speech as the unregistered word as a synonym of the unregistered word.
(付記16)
前記コンテキスト生成部が、
文集から未登録語を検索する手段と、
ウィンドウ方式の適用により未登録語に隣接する文字を取り出す手段と、
取り出した未登録語に隣接する文字に語分割を実行する手段と、
語分割の後に得られた各語の重みを決定し、語分割の後に取得したそれぞれの語とそれらの重みを未登録語のコンテキストとして使用する手段とを含むことを特徴とする付記12に記載の未登録語のカテゴリ決定装置。
(Appendix 16)
The context generator
A means of searching for unregistered words from a collection of sentences;
Means for extracting characters adjacent to unregistered words by applying the window method;
Means for performing word division on characters adjacent to the unregistered word that has been taken out;
Supplementary note 12 including means for determining the weight of each word obtained after word division and using each word obtained after word division and using those weights as context for unregistered words Unregistered word category determination device.
(付記17)
前記コンテキスト生成部が、
文集から未登録語を検索する手段と、
未登録語のコンテキストとして依存関係を用いるために、依存木方式によって未登録語の依存関係を分析する手段とを含むことを特徴とする付記12に記載の未登録語のカテゴリ決定装置。
(Appendix 17)
The context generator
A means of searching for unregistered words from a collection of sentences;
The unregistered word category determination device according to appendix 12, further comprising means for analyzing the dependency relationship of the unregistered word by a dependency tree method in order to use the dependency relationship as the context of the unregistered word.
(付記18)
前記カテゴリ決定部が、
同義語が属するカテゴリについて統計を取る手段と、
各カテゴリに含まれる全ての語のコンテキストを、各カテゴリのコンテキストとして、文集から生成する手段と、
未登録語のコンテキストと各カテゴリのコンテキストの間の類似度を計算する手段と、
最大の類似度を有するカテゴリを未登録語が属するカテゴリとして決定する手段とを含むことを特徴とする付記12に記載の未登録語のカテゴリ決定装置。
(Appendix 18)
The category determining unit
A means of taking statistics about the category to which the synonym belongs,
Means for generating the context of all words included in each category from the collection as the context of each category;
Means for calculating the similarity between the unregistered word context and the context of each category;
The category determining apparatus for unregistered words according to claim 12, further comprising means for determining a category having the maximum similarity as a category to which the unregistered word belongs.
(付記19)
前記コンテキスト生成部が、文集から同義語のコンテキストを生成する手段を含み、
前記カテゴリ決定部が、
未登録語のコンテキストと同義語のコンテキストの間の類似度を計算する手段と、
計算によって取得した類似度に基づいて、同義語から集合を抽出する手段と、
抽出した集合において同じカテゴリに属する同義語に対応する類似度を合計する手段と、
合計した類似度に基づいて未登録語が属するカテゴリを決定する手段とを含むことを特徴とする付記12に記載の未登録語のカテゴリ決定装置。
(Appendix 19)
The context generator includes means for generating a synonym context from a collection of sentences;
The category determining unit
Means for calculating the similarity between the context of the unregistered word and the synonym context;
Means for extracting a set from synonyms based on the similarity obtained by calculation;
Means for summing up similarities corresponding to synonyms belonging to the same category in the extracted set;
The apparatus for determining a category of unregistered words according to appendix 12, further comprising means for determining a category to which the unregistered word belongs based on the total similarity.
(付記20)
前記コンテキスト生成部が、文集から同義語のコンテキストを生成する手段を含み、
前記カテゴリ決定部が、
未登録語のコンテキストと同義語のコンテキストの間の類似度を計算する手段と、
同義語が属するカテゴリについて統計を取る手段と、
同義語に関連付けた所定の重み係数を入力する手段と、
入力した所定の重み係数に基づいて、関連する同義語に対応する類似度に重みを加える手段と、
重みが加えられた類似度に基づいて同義語から集合を抽出する手段と、
抽出した集合中、同じカテゴリに属する同義語に対応する重みが加えられた類似度を合計する手段と、
合計した類似度に基づいて未登録語が属するカテゴリを決定する手段とを含むことを特徴とする付記12に記載の未登録語のカテゴリ決定装置。
(Appendix 20)
The context generator includes means for generating a synonym context from a collection of sentences;
The category determining unit
Means for calculating the similarity between the context of the unregistered word and the synonym context;
A means of taking statistics about the category to which the synonym belongs,
Means for inputting a predetermined weighting factor associated with the synonym;
Means for adding a weight to the similarity corresponding to the related synonym based on the input predetermined weighting factor;
Means for extracting a set from synonyms based on the weighted similarity;
Means for summing the similarities to which weights corresponding to synonyms belonging to the same category are added in the extracted set;
The apparatus for determining a category of unregistered words according to appendix 12, comprising means for determining a category to which an unregistered word belongs based on the total similarity.
(付記21)
所定の重み係数の設定が、
未登録語とカテゴリ内の語が最後の1文字と最後から2番目の文字を共有するならば、カテゴリに関連する所定の重み係数をλ1と設定し、
そうではなく、未登録語とカテゴリ内の語が最後の1文字と最初の1文字を共有するならば、カテゴリに関連する所定の重み係数をλ2と設定し、
そうではなく、未登録語とカテゴリ内の語が最初の1文字或いは最後の1文字を共有するならば、カテゴリに関連する所定の重み係数をλ3と設定し、
それ以外の場合、カテゴリに関連する所定の重み係数をλ4と設定する
ここで、λ1≧λ2≧λ3≧λ4である
ポリシーを満たすことを特徴とする付記20に記載の未登録語のカテゴリ決定装置。
(Appendix 21)
The predetermined weighting factor setting is
If the unregistered word and the word in the category share the last character and the penultimate character, set the predetermined weighting factor associated with the category as λ1,
Otherwise, if the unregistered word and the word in the category share the last one letter and the first one letter, set the predetermined weighting factor associated with the category as λ2,
Otherwise, if the unregistered word and the word in the category share the first character or the last character, set the predetermined weighting factor associated with the category as λ3,
Otherwise, the predetermined weighting factor related to the category is set as λ4, where λ 1 ≧ λ 2 ≧ λ 3 ≧ λ 4 The unregistered word according to appendix 20, characterized by satisfying the policy Category determination device.
(付記22)
類似度に基づいて同義語から集合を抽出する手段が、
類似度を降順にソートする手段と、
上位から順番に、所定数の類似度に対応する同義語を、集合に抽出する手段とを含むことを特徴とする付記19又は付記20に記載の未登録語のカテゴリ決定装置。
(Appendix 22)
A means for extracting a set from synonyms based on similarity is
Means for sorting the similarities in descending order;
An unregistered word category determination device according to supplementary note 19 or supplementary note 20, comprising means for extracting, in order from the top, synonyms corresponding to a predetermined number of similarities to a set.
110:同義語選択部
120:コンテキスト生成部
130:カテゴリ決定部
120:コンテキスト生成部
110: Synonym selection unit 120: Context generation unit 130: Category determination unit 120: Context generation unit
Claims (10)
文集から未登録語のコンテキストを生成するステップと、
未登録語のコンテキストと同義語に従って未登録語のカテゴリを決定するステップと
を含むことを特徴とする未登録語のカテゴリ決定方法。 Selecting synonyms for unregistered words from a dictionary based on word composition rules;
Generating a context of unregistered words from the collection of sentences;
Determining the category of the unregistered word according to the context of the unregistered word and the synonym.
未登録語の品詞を決定するステップと、
未登録語と1つ以上の語構成要素を共有する語を辞書から選択するステップと、
選択した全ての語から未登録語と同じ品詞を有する語を未登録語の同義語として選択するステップとを含むことを特徴とする請求項2に記載の未登録語のカテゴリ決定方法。 Selecting a synonym of an unregistered word from a dictionary based on word composition rules,
Determining a part of speech for an unregistered word;
Selecting words from a dictionary that share one or more word components with unregistered words;
The method for determining a category of unregistered words according to claim 2, further comprising: selecting a word having the same part of speech as the unregistered word from all the selected words as a synonym of the unregistered word.
文集から未登録語を検索するステップと、
ウィンドウ方式の適用により未登録語に隣接する文字を取り出すステップと、
取り出した未登録語に隣接する文字に語分割を実行するステップと、
語分割の後に得られた各語の重みを決定し、語分割の後に取得したそれぞれの語とそれらの重みを未登録語のコンテキストとして使用するステップとを含むことを特徴とする請求項1に記載の未登録語のカテゴリ決定方法。 The step of generating a context of unregistered words from the collection of sentences
Searching unregistered words from the collection of sentences;
Extracting a character adjacent to an unregistered word by applying a window method;
Performing word splitting on characters adjacent to the unregistered word that was retrieved;
The method of claim 1, further comprising: determining a weight for each word obtained after word division and using each word obtained after word division and the weight as the context of an unregistered word. Category determination method for unregistered words.
文集から未登録語を検索するステップと、
未登録語のコンテキストとして依存関係を用いるために、依存木方式によって未登録語の依存関係を分析するステップとを含むことを特徴とする請求項1に記載の未登録語のカテゴリ決定方法。 The step of generating a context of unregistered words from the collection of sentences
Searching unregistered words from the collection of sentences;
The method for determining a category of unregistered words according to claim 1, further comprising the step of analyzing the dependency relationship of unregistered words by a dependency tree method in order to use the dependency relationship as a context of unregistered words.
同義語が属するカテゴリについて統計を取るステップと、
各カテゴリに含まれる全ての語のコンテキストを、各カテゴリのコンテキストとして、文集から生成するステップと、
未登録語のコンテキストと各カテゴリのコンテキストの間の類似度を計算するステップと、
最大の類似度を有するカテゴリを未登録語が属するカテゴリとして決定するステップとを含むことを特徴とする請求項1に記載の未登録語のカテゴリ決定方法。 Determining the category to which the unregistered word belongs based on the context of the unregistered word and the synonym,
Taking statistics about the category to which the synonym belongs,
Generating the context of all words included in each category from the collection as the context of each category;
Calculating the similarity between the unregistered word context and the context of each category;
The method for determining a category of unregistered words according to claim 1, further comprising: determining a category having the maximum similarity as a category to which an unregistered word belongs.
文集から同義語のコンテキストを生成するステップと、
未登録語のコンテキストと同義語のコンテキストの間の類似度を計算するステップと、
計算によって取得した類似度に基づいて、同義語から集合を抽出するステップと、
抽出した集合において同じカテゴリに属する同義語に対応する類似度を合計するステップと、
合計した類似度に基づいて未登録語が属するカテゴリを決定するステップとを含むことを特徴とする請求項1に記載の未登録語のカテゴリ決定方法。 Determining the category to which the unregistered word belongs based on the context of the unregistered word and the synonym,
Generating a synonym context from the collection,
Calculating a similarity between an unregistered word context and a synonym context;
Extracting a set from synonyms based on the similarity obtained by calculation;
Summing similarities corresponding to synonyms belonging to the same category in the extracted set;
The method for determining a category of unregistered words according to claim 1, further comprising: determining a category to which unregistered words belong based on the total similarity.
文集から同義語のコンテキストを生成するステップと、
未登録語のコンテキストと同義語のコンテキストの間の類似度を計算するステップと、
同義語が属するカテゴリについて統計を取るステップと、
同義語に関連付けた所定の重み係数を入力するステップと、
入力した所定の重み係数に基づいて、関連する同義語に対応する類似度に重みを加えるステップと、
重みが加えられた類似度に基づいて同義語から集合を抽出するステップと、
抽出した集合中、同じカテゴリに属する同義語に対応する重みが加えられた類似度を合計するステップと、
合計した類似度に基づいて未登録語が属するカテゴリを決定するステップを含むことを特徴とする請求項1に記載の未登録語のカテゴリ決定方法。 Determining the category to which the unregistered word belongs based on the context of the unregistered word and the synonym,
Generating a synonym context from the collection,
Calculating a similarity between an unregistered word context and a synonym context;
Taking statistics about the category to which the synonym belongs,
Inputting a predetermined weighting factor associated with the synonym;
Adding weights to similarities corresponding to related synonyms based on the input predetermined weighting factors;
Extracting a set from synonyms based on the weighted similarity,
Summing the similarities with weights corresponding to synonyms belonging to the same category in the extracted set;
The method for determining a category of unregistered words according to claim 1, further comprising the step of determining a category to which unregistered words belong based on the total similarity.
文集から未登録語のコンテキストを生成するコンテキスト生成部と、
未登録語のコンテキストと同義語に従って未登録語のカテゴリを決定するカテゴリ決定部と
を備えることを特徴とする未登録語のカテゴリ決定装置。
A synonym selection unit that selects a synonym of an unregistered word from a dictionary based on a word composition rule;
A context generator that generates a context of unregistered words from the collection of sentences,
A category determining unit that determines a category of an unregistered word according to a context of the unregistered word and a synonym.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910252923.5 | 2009-11-30 | ||
CN200910252923.5A CN102081602B (en) | 2009-11-30 | 2009-11-30 | Method and equipment for determining category of unlisted word |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2011118872A true JP2011118872A (en) | 2011-06-16 |
JP5216063B2 JP5216063B2 (en) | 2013-06-19 |
Family
ID=44087570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010210648A Expired - Fee Related JP5216063B2 (en) | 2009-11-30 | 2010-09-21 | Method and apparatus for determining categories of unregistered words |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP5216063B2 (en) |
KR (1) | KR101195341B1 (en) |
CN (1) | CN102081602B (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9792274B2 (en) | 2014-02-12 | 2017-10-17 | International Business Machines Corporation | Categorizing keywords |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902665B (en) * | 2012-09-25 | 2015-01-07 | 太原理工大学 | System for conducting semantic classification on unknown words and based on affix letters |
CN105335390A (en) * | 2014-07-09 | 2016-02-17 | 阿里巴巴集团控股有限公司 | Object classification method, business pushing method and server |
CN105808529B (en) * | 2016-03-10 | 2018-06-08 | 语联网(武汉)信息技术有限公司 | The method and apparatus that a kind of language material divides field |
CN106649816B (en) * | 2016-12-29 | 2020-06-09 | 北京奇虎科技有限公司 | Synonym filtering method and device |
CN108038105B (en) * | 2017-12-22 | 2020-06-05 | 中科鼎富(北京)科技发展有限公司 | Method and device for generating simulated word vector for unknown words |
CN109033077A (en) * | 2018-07-03 | 2018-12-18 | 龙马智芯(珠海横琴)科技有限公司 | The recognition methods of time type, device, storage medium, electronic device |
CN110222266A (en) * | 2019-05-31 | 2019-09-10 | 江苏三六五网络股份有限公司 | A kind of house property profession phonetic searching system and method based on speech recognition |
US11217227B1 (en) | 2019-11-08 | 2022-01-04 | Suki AI, Inc. | Systems and methods for generating disambiguated terms in automatically generated transcriptions including instructions within a particular knowledge domain |
US11538465B1 (en) | 2019-11-08 | 2022-12-27 | Suki AI, Inc. | Systems and methods to facilitate intent determination of a command by grouping terms based on context |
KR102418871B1 (en) * | 2019-11-11 | 2022-07-07 | 한림대학교 산학협력단 | Apparatus, method and program for extracting research category of research literature using category feature lexicon each research category |
US11954605B2 (en) * | 2020-09-25 | 2024-04-09 | Sap Se | Systems and methods for intelligent labeling of instance data clusters based on knowledge graph |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06195371A (en) * | 1992-09-25 | 1994-07-15 | Nec Corp | Unregistered word acquiring system |
JP2005326952A (en) * | 2004-05-12 | 2005-11-24 | Nippon Telegr & Teleph Corp <Ntt> | Method and device for word registration in concept dictionary, and program |
JP2008242626A (en) * | 2007-03-26 | 2008-10-09 | Mitsubishi Electric Corp | Term registration apparatus |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004062262A (en) | 2002-07-25 | 2004-02-26 | Hitachi Ltd | Method of registering unknown word automatically to dictionary |
KR100682897B1 (en) | 2004-11-09 | 2007-02-15 | 삼성전자주식회사 | Method and apparatus for updating dictionary |
CN101154226B (en) * | 2006-09-27 | 2011-02-16 | 腾讯科技(深圳)有限公司 | Method for adding unlisted word to word stock of input method and its character input device |
-
2009
- 2009-11-30 CN CN200910252923.5A patent/CN102081602B/en not_active Expired - Fee Related
-
2010
- 2010-09-21 JP JP2010210648A patent/JP5216063B2/en not_active Expired - Fee Related
- 2010-11-15 KR KR1020100113442A patent/KR101195341B1/en not_active IP Right Cessation
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06195371A (en) * | 1992-09-25 | 1994-07-15 | Nec Corp | Unregistered word acquiring system |
JP2005326952A (en) * | 2004-05-12 | 2005-11-24 | Nippon Telegr & Teleph Corp <Ntt> | Method and device for word registration in concept dictionary, and program |
JP2008242626A (en) * | 2007-03-26 | 2008-10-09 | Mitsubishi Electric Corp | Term registration apparatus |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9792274B2 (en) | 2014-02-12 | 2017-10-17 | International Business Machines Corporation | Categorizing keywords |
US10606944B2 (en) | 2014-02-12 | 2020-03-31 | International Business Machines Corporation | Categorizing keywords |
Also Published As
Publication number | Publication date |
---|---|
CN102081602A (en) | 2011-06-01 |
KR20110060806A (en) | 2011-06-08 |
JP5216063B2 (en) | 2013-06-19 |
CN102081602B (en) | 2014-01-01 |
KR101195341B1 (en) | 2012-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5216063B2 (en) | Method and apparatus for determining categories of unregistered words | |
CN109190117B (en) | Short text semantic similarity calculation method based on word vector | |
Thakkar et al. | Graph-based algorithms for text summarization | |
WO2021068339A1 (en) | Text classification method and device, and computer readable storage medium | |
JP5346279B2 (en) | Annotation by search | |
Heigold et al. | An extensive empirical evaluation of character-based morphological tagging for 14 languages | |
JP5710581B2 (en) | Question answering apparatus, method, and program | |
US8280721B2 (en) | Efficiently representing word sense probabilities | |
US8812504B2 (en) | Keyword presentation apparatus and method | |
WO2018056423A1 (en) | Scenario passage classifier, scenario classifier, and computer program therefor | |
JP2010225135A (en) | Disambiguation method and system | |
KR102059743B1 (en) | Method and system for providing biomedical passage retrieval using deep-learning based knowledge structure construction | |
CN114065758A (en) | Document keyword extraction method based on hypergraph random walk | |
Alami et al. | Automatic texts summarization: Current state of the art | |
JP4534666B2 (en) | Text sentence search device and text sentence search program | |
Alami et al. | Arabic text summarization based on graph theory | |
JP2010287020A (en) | Synonym translation system and synonym translation method | |
Ullah et al. | A framework for extractive text summarization using semantic graph based approach | |
JP2006338342A (en) | Word vector generation device, word vector generation method and program | |
JP4979637B2 (en) | Compound word break estimation device, method, and program for estimating compound word break position | |
CN110705285B (en) | Government affair text subject word library construction method, device, server and readable storage medium | |
CN111133429A (en) | Extracting expressions for natural language processing | |
CN109344397B (en) | Text feature word extraction method and device, storage medium and program product | |
JP2013222418A (en) | Passage division method, device and program | |
TWI636370B (en) | Establishing chart indexing method and computer program product by text information |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20120726 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120801 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20121031 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130207 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130301 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160308 Year of fee payment: 3 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |