辞書およびパターンマッチルールの増強と品質強化に基づく日本語固有表現抽出

概要

論文の詳細を見る
日本語テキストからの情報抽出の基盤技術として, 組織名・人名・地名・固有物名・日付・時刻・金額・割合表現を高精度で分類抽出する, 固有表現抽出システムを開発した.本システムは, 形態素解析を利用して入力文を単語分割し, 固有表現辞書とパターンマッチルールとを適用することでテキスト中の固有表現を判定するというベーシックなアプローチをとっている.辞書の充実とルールの整備を基本方針として抽出精度の改善を進め, 辞書の増強と辞書情報の詳細化, 人手によるルール作成を行った.また, 辞書を充実させても生じる課題として, 複合語の一部となる固有名詞判定と未知語・多義語の固有名詞判定とに工夫を加えた.前者は, 複合語を分割して複合語中の固有名詞を判定することにより, 固有名詞の抽出洩れを救済する.後者は, ルールで判定した固有名詞で信頼度の高いものをもとに, 未知語・多義語となった固有名詞の省略表現を判定する.IREX-NEコーパス(トピックを限定しない一般的な内容の記事)を用いた精度評価を実施し, F値で83.86という精度を得た.また, 導入したルール・処理の効果も分析し, 有効性を確認した.
一般社団法人情報処理学会の論文
2001-06-15