類似した「名前」の同一性判定@lamrongol
View Slide
共起単語からの推定● 異なる分野の同名異人は共起する単語の違いによって判別できる● 例 : 野球選手と音楽家なら、前者は野球に関連する単語と共起し、後者は音楽に関する単語と共起する● もし同じ分野で同名異人がいたら?● その場合、人間にとっても判別が難しいので、何らかの識別記号がつくはず● 例 : もし「鈴木一朗」という野球選手が二人いたら、「鈴木一朗(マリナーズ)」「鈴木一朗(巨人)」というようにチーム名がつくかもしれない– 名前に隣接している単語ほど重みづけを大きくすれば上記例などでは分類しやすくなる
データセット● 同一人物であることが分かっている文書群をどうやって集めるか●Wikipedia の「曖昧さ回避」のページを用いる
データセット● 同名でも「イチロー _(XXX) 」のように異なる人物には異なる項目名が付けられるので、個別ページ以外のページの文章も使用できる● 例 : マリナーズのページリンクから「イチロー」が野球選手の「イチロー」であることがわかる
データセットの拡張●Wikipedia を使用して得られた共起単語を元に、他の構造化されてない文書に対して判定を行い、それを新たな正解データとする● どの用法がよく使われているかを計算できる● 例えば「イチロー」なら、野球選手を指している場合が圧倒的に多いという結果が出るはず● 文書が小さくて共起単語から推定できない場合も、単純に頻度が高いものを推定として与えられる● 例 : 「イチローかっこいい」 → 野球選手
表記ゆれの問題● 同一人物だが表記が何らかの理由で異なる場合● 例 : 「鈴木一郎」「鈴木一朗」● 変換ミスなどで起こる可能性がある誤表記と正しい表記との距離を短く判定する編集距離を用いる● 例 : 「沢」「澤」などの漢字をあらかじめ登録しておく、 読みが同じ漢字の置換は小さく見積もる、など● 編集距離が一定の閾値以下のものを「同一の可能性がある」と判定● 共起単語を用いて同一性の判定