オントロジー構築のためのオントロジ構築のための文書からの意味関係抽出（株）東芝研究開発センター長野伸一 2010/03/05 セマンティックWebコンファレンス2010 Copyright 2007, Toshiba Corporation. 目次 1. 2. 3. 4. 5. 背景：企業内の非構造化データ研究開発の目的オントロジー自動構築システム文書から意味関係抽出技術文書からの意味関係抽出技術オントロジー応用例 2 Copyright 2010, Toshiba Corporation. 91 1.背景：企業内の非構造化データ • データは，企業にとって重要なIT資産 – クラウド導入が進んでも，データだけは企業内に残る – 企業内データの80%以上が非構造化データ（文書，画像など） • 非構造化データの活用例 – 内部統制 • 財務会計に関するデータを管理監督し，業務適正化，法令遵守 – ビジネス・インテリジェンス（BI） • 経営，財務などの業務データを分析し，戦略立案や経営計画に活用 – CRM • 問い合わせ，苦情などの顧客の声を分析し，製品・サービスにFB • 非構造化データを取り扱う上での課題 1 デ 1. データの収集，一元管理タの収集元管理 – 部門毎に／異なるツールで，保管，管理されている 2. 非構造化データ間の統合 – ワークフローにかかわる文書同士が関連づけられていない 3. 構造化データとの統合 – 業務データと文書が統合されず，データ生成過程を監視追跡できない 3 Copyright 2010, Toshiba Corporation. 1.背景：言語資源 • 言語資源 – テキストデータを解析するためのリソース（辞書，ツールなど） – 徐々に整備が進みつつあり，既存のオントロジーを再利用／拡張することにより，目的のオントロジーを構築することが可能に抽象的具体的汎用的 • 利用可能な言語資源の例利能な言語資源例特定用途向け – 汎用辞書 • WordNet（英：米プリンストン大，日：NICT）オントロジー – 領域オントロジー • 情報家電オントロジー（INTAP） Thing • 臨床医学オントロジー（東大・阪大） – 軽量オントロジ軽量オントロジー徐々に整 • Wikipediaオントロジー（東大，慶応大）備されつ – インスタンス中心のデータ（Linked Open Data）つある • US SEC data（米証券取引所）：企業情報企業内文書の処 • LinkedGeoData（独ライプツィヒ大）：地理情報理に不足する分 • LinkedCT（米ClinicalTrials.gov）：臨床試験情報は整備が必要 4 Copyright 2010, Toshiba Corporation. 92 2.研究開発の目的企業内の非構造化文書を対象とした文書処理を行うため，低コストでオントロジーを自動獲得できる技術を開発する – 文書内から意味関係にある概念を獲得し，オントロジーを構築する – 獲得したオント獲得したオントロジーを利用して文書にアノテーションし，文書同士ジを利用して文書にアノテションし，文書同士を関連づける抽象的オントロジーを獲得具体的汎用的 w オントロジー w w アノテーション文書データ特定用途向け Thing 獲得のターゲット w w w w w w w w オントロジーを介して文書同士を関連づけ 5 Copyright 2010, Toshiba Corporation. 3.オントロジー自動構築システムスタンドアローンで実行可能な自動構築システムを試作アノテーションされた文書データ文書データオントロジーを獲得 2009/10/05付け当社プレスリリース Copyright 2010, Toshiba Corporation. 93 6 4.文書からの意味関係抽出技術：方式概要基本アイデア – 文書を文単位で解析し，２項関係にある語の組を概念ペアとして抽出する – あらかじめ手がかり（シード）として，少量の概念ペアを人手で与えておく – 関係抽出パターン（構文木）と概念ペアとを文書から順次獲得し関係抽出パタン（構文木）と概念ペアとを文書から順次獲得し，オントロオントロジーを構築するオントロジー技術者 FB 概念ペアから関係抽出パターンを獲得関係抽出パターンDB w 概念ペアDB (c, c) (c, c) (c, c) w w w 構造化文書群関係抽出パターンから概念ペアを獲得オントロジー少量のペアを事前に与えておく 7 Copyright 2010, Toshiba Corporation. 4.文書からの意味関係抽出技術：処理の例液晶テレビでは初となる「レグザ」を発売上位下位関係にある概念ペアを格納概念ペアDB 概念ペアから関係抽出パターンを獲得構文解析液晶テレビでは初となる (液晶テレビ，レグザ) 関係抽出パターンから概念ペアを獲得概念ペアと比較「レグザ」を発売関係抽出パターンを獲得 Xでは初となる「Y」を関係抽出パターンDB 発売 Xでは関係抽出パターンを格納初となる「Y」を発売 8 Copyright 2010, Toshiba Corporation. 94 4.文書からの意味関係抽出技術：処理の例液晶テレビでは初となる「レグザ」を発売上位下位関係にある概念ペアを格納概念ペアDB 概念ペアから関係抽出パターンを獲得構文解析液晶テレビでは初となる (液晶テレビ，レグザ) (レコーダー，ヴァルディア) 概念ペアと比較概念ペアを格納「レグザ」を関係抽出パターンから概念ペアを獲得 (レコーダー，ヴァルディア) 概念ペアを獲得発売関係抽出パターンを獲得レコーダーでは初となる Xでは「ヴ「ヴァルディア」をデを初となる発売「Y」を関係抽出パターンDB 発売構文解析 Xでは関係抽出パターンを格納初となる「Y」を発売関係抽出パターンと比較レコーダーでは初となる「ヴァルディア」を発売 9 Copyright 2010, Toshiba Corporation. 5.オントロジー応用例：コンタクトセンタ問い合わせマップコンタクトセンタに寄せられた顧客からの問い合わせログを分析し，オントロジーを利用して内容が類似した問い合わせログを同心円状に配置 Copyright 2010, Toshiba Corporation. 溝口他, コンタクトセンタの高度化に向けた最新技術, 東芝ソリューションテクニカルニュース, vol.15, pp.14-16, 2008. 95 10 6.まとめと今後の課題 • まとめ – 企業内文書の処理のためのオントロジーを低コストで自動獲得する手法を提案し，試作システムを紹介 • 今後の課題 – 自動構築システムの精度向上 – 外部の言語資源の活用，連携 – ワークフロー，構造化データとの対応付け 11 Copyright 2010, Toshiba Corporation. 東芝コーポレートブランド ― PowerPoint フォーマット：β版 ― Copyright 2010, Toshiba Corporation. 96 12