Open Information Extraction from the Web (IJCAI '07)

[oratosa]

• 論文タイトル Open Information Extraction from the Web (IJCAI '07)

• 著者（所属） Michele Banko, Michael J Cafarella, Stephen Soderland, Matt Broadhead and Oren Etzioni

• 論文PDF／ランディングページへのリンク https://my.eng.utah.edu/~cs6961/papers/banko-ijca07.pdf

• 論文まとめ（落合フォーマット準拠）

  • どんなもの（どんな問題を解きたい）？ OpenIEという新しいパラダイムを提案した論文（ここからOpenIEは始まった） OpenIEでは，テキスト情報を入れるだけで，テキストに含まれている関係タプル（sub, pred, obj）を出力する． 提案されたシステムはTEXTRUNNER
  • 先行研究と比べてどこがすごい？ 従来のIEは，興味のあるドメインのテキスト情報に対して，人間の知識（抽出ルールの作成，教師データへのアノテーション）を付与することで，抽出を可能にしていた． OpenIEは人間の知識は必要とせず（or 最低限）な手法なため，さまざまなドメインのテキスト情報からの抽出が可能．
  • 技術や手法のキモはどこ？ OpenIEが重視することは Automation, Corpus Heterogeneity, Efficiency の3つ 3つのモジュールを利用して，関係タプルを抽出する．
    1. Self-Supervised Learner 少量のコーパスを与えて，抽出されたタプル候補に対してTrustworthyか否かラベル付けする分類器を出力する．Learnerは言語パーサーを利用して，抽出タプルがTrustworthyか判断し，それを教師データとしてナイーブベイズ分類器を訓練する．
    2. Single-Pass Extractor コーパスに対してシングルパスを作成し，自動的に単語にPart-of-Speechのタグを付与し，可能性のあるタプル候補を抽出する．パーサーは使わない．
    3. Redundancy-Based Assessor タプルを正規化し，そのタプルが見つかった文の数を数える，そのカウントを利用して，得られたタプルに対して確率を付与する．
  • どうやって有効だと検証した？ 先行するKNOWITALLというIEシステムが比較対象で，KNOWITALLでは抽出するリレーションを設定する必要があるため，実験では，10種類のリレーションを抽出することにした． 評価は，recallとerror rateを比較． 結果は，抽出数はほぼ同じで，error rateは提案システム（TEXTRUNNER）が33％低かった. 実行時間はOpenIEが圧倒的によい．
  • 議論はある？ 抽出されるタプル集合が膨大なので，全体のうちどの程度が正しいのか評価が難しい．
  • 次に読むべき論文は？ OpenIEにおける述語のマッピングに関する研究 Dutta, Arnab, Christian Meilicke and Heiner Stuckenschmidt. “Enriching Structured Knowledge with Open Information.” WWW '15 (2015).