JP2020126631A

JP2020126631A - 文書に対してイベントのラベル付けを行う装置及び方法、並びに記録媒体

Info

Publication number: JP2020126631A
Application number: JP2020008295A
Authority: JP
Inventors: 遥孟; Yao Meng; ジョン・ジョォングアン; Zhongguang Zheng; 迎炬夏; Yingju Xia
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2019-02-02
Filing date: 2020-01-22
Publication date: 2020-08-20
Also published as: CN111538832A

Abstract

【課題】文書に対してイベントのラベル付けを行う装置、方法及び記録媒体を提供する。
【解決手段】装置１００は、各カテゴリに属する文書から少なくとも１つのキーワードをそれぞれ抽出するキーワード抽出部１０２と、指定カテゴリに属する文書から、指定カテゴリについて抽出された任意のキーワードを含む複数の文を抽出する文抽出部１０４と、抽出された複数の文間の類似度に基づいて、複数の文をクラスタリングするクラスタリング部１０６と、各クラスタリング後の文グループから所定数の文をそれぞれ選択し、選択された所定数の文においてイベント情報のラベル付けを行う選択部１０８と、各クラスタリング後の文グループについて、選択された所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングし、該文グループにおける全ての文に対してイベント情報のラベル付けを行うマッチング部１１０と、を含む。
【選択図】図１

Description

本開示は、情報抽出及び自然言語処理の分野に関し、具体的には、文書に対してイベントのラベル付けを行う装置及び方法、並びにコンピュータ読み取り可能な記録媒体に関する。

イベントは、特定の時点又は期間に、特定の地域範囲内で、１つ又は複数のキャラクタが関与する１つ又は複数の動作により構成された事件又は状態の変更を意味する。本明細書では、イベントは、文書の構成要素である。文書におけるイベントに対する認識は、文書の内容を理解するために重要である。

テキストにおけるイベントに対する認識は、イベントの記述段落の認識、イベントのトリガ単語の認識、及びイベント要素の認識を含む。イベント認識は、イベントに基づいてコーパスをラベル付けする必要があり、コーパスの規模及びカバーされるイベントの種類はイベント認識の性能に影響する重要な要因である。しかし、文書に含まれるイベントが多様であり、イベントの表現もよく変わるため、手動のラベル付けは、全ての種類のイベントをカバーすることができず、ラベル付けの全体的な規模を拡大しにくい。コーパスの不足は、文書のイベントに対する認識の性能の向上を制限している。

以下は、本開示の態様を基本的に理解させるために、本開示の簡単な概要を説明する。なお、この簡単な概要は、本開示を網羅的な概要ではなく、本開示のポイント又は重要な部分を意図的に特定するものではなく、本開示の範囲を意図的に限定するものではなく、後述するより詳細的な説明の前文として、単なる概念を簡単な形で説明することを目的とする。

上記の問題点を鑑み、本開示は、従来技術の１つ又は複数の欠点を解決することができる、文書に対してイベントのラベル付けを行う装置及び方法、並びにコンピュータ読み取り可能な記録媒体を提供することを目的とする。

本開示の１つの態様では、文書に対してイベントのラベル付けを行う装置であって、少なくとも２つのカテゴリのうちの各カテゴリに属する文書から少なくとも１つのキーワードをそれぞれ抽出するキーワード抽出部と、前記少なくとも２つのカテゴリのうちの指定カテゴリに属する文書から、前記指定カテゴリについて抽出された前記少なくとも１つのキーワードのうちの任意のキーワードを含む複数の文を抽出する文抽出部であって、前記少なくとも１つのキーワードのうちの各キーワードはイベントのトリガ単語として用いられ、前記複数の文のうちの各文はイベント言及として用いられる、文抽出部と、前記指定カテゴリに属する文書について抽出された前記複数の文間の類似度に基づいて、前記複数の文をクラスタリングし、複数のクラスタリング後の文グループを形成するクラスタリング部と、各クラスタリング後の文グループから所定数の文をそれぞれ選択し、選択された前記所定数の文においてイベント情報のラベル付けを行う選択部と、各クラスタリング後の文グループについて、選択された前記所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングし、該文グループにおける全ての文に対してイベント情報のラベル付けを行うマッチング部と、を含む、装置を提供する。

本開示のもう１つの態様では、文書に対してイベントのラベル付けを行う方法であって、少なくとも２つのカテゴリのうちの各カテゴリに属する文書から少なくとも１つのキーワードをそれぞれ抽出するキーワード抽出ステップと、前記少なくとも２つのカテゴリのうちの指定カテゴリに属する文書から、前記指定カテゴリについて抽出された前記少なくとも１つのキーワードのうちの任意のキーワードを含む複数の文を抽出する文抽出ステップであって、前記少なくとも１つのキーワードのうちの各キーワードはイベントのトリガワードとして用いられ、前記複数の文のうちの各文はイベント言及として用いられる、文抽出ステップと、前記指定カテゴリに属する文書について抽出された前記複数の文の類似度に基づいて、前記複数の文をクラスタリングし、複数のクラスタリング後の文グループを形成するクラスタリングステップと、各クラスタリング後の文グループから所定数の文をそれぞれ選択し、選択された前記所定数の文においてイベント情報のラベル付けを行う選択ステップと、各クラスタリング後の文グループについて、選択された前記所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングし、該文グループにおける全ての文に対してイベント情報のラベル付けを行うマッチングステップと、を含む、方法を提供する。

本開示のもう１つの態様では、プログラムを記録したコンピュータ読み取り可能な記録媒体であって、前記プログラムは、コンピュータに、少なくとも２つのカテゴリのうちの各カテゴリに属する文書から少なくとも１つのキーワードをそれぞれ抽出するキーワード抽出ステップと、前記少なくとも２つのカテゴリのうちの指定カテゴリに属する文書から、前記指定カテゴリについて抽出された前記少なくとも１つのキーワードのうちの任意のキーワードを含む複数の文を抽出する文抽出ステップであって、前記少なくとも１つのキーワードのうちの各キーワードはイベントのトリガワードとして用いられ、前記複数の文のうちの各文はイベント言及として用いられる、文抽出ステップと、前記指定カテゴリに属する文書について抽出された前記複数の文の類似度に基づいて、前記複数の文をクラスタリングし、複数のクラスタリング後の文グループを形成するクラスタリングステップと、各クラスタリング後の文グループから所定数の文をそれぞれ選択し、選択された前記所定数の文においてイベント情報のラベル付けを行う選択ステップと、各クラスタリング後の文グループについて、選択された前記所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングし、該文グループにおける全ての文に対してイベント情報のラベル付けを行うマッチングステップと、を実行させる、記録媒体を提供する。

本開示の他の態様では、上記本開示の方法を実現するためのコンピュータプログラムコード及びコンピュータプログラムプロダクトをさらに提供する。

以下は、本開示の実施例の他の態様を説明し、特に本開示の好ましい実施例を詳細に説明するが、本開示はこれらの実施例に限定されない。

本開示の原理及び利点を理解させるために、図面を参照しながら本開示の各実施例を説明する。全ての図面において、同一又は類似の符号で同一又は類似の構成部を示している。ここで説明される図面は、好ましい実施例を例示するためのものであり、全ての可能な実施例ではなく、本開示の範囲を限定するものではない。
本開示の実施例に係る文書に対してイベントのラベル付けを行う装置の機能的構成の例を示すブロック図である。本開示の実施例に係る第１グループのクラスタリング結果における第１文と第２文との位置合わせ結果の例を示す図である。本開示の実施例に係る文書に対してイベントのラベル付けを行う方法の流れの例を示すフローチャートである。本開示の実施例に適用可能なパーソナルコンピュータの例示的な構成を示すブロック図である。

以下、図面を参照しながら本開示の例示的な実施例を詳細に説明する。説明の便宜上、明細書には実際の実施形態の全ての特徴が示されていない。なお、実際に実施する際に、開発者の具体的な目標を実現するために、特定の実施形態を変更してもよい、例えばシステム及び業務に関する制限条件に応じて実施形態を変更してもよい。また、開発作業が非常に複雑であり、且つ時間がかかるが、本公開の当業者にとって、この開発作業は単なる例の作業である。

なお、本開示を明確にするために、図面には本開示に密に関連する装置の構成要件又は処理のステップのみが示され、本開示と関係のない細部が省略されている。

以下は、図面を参照しながら、本開示の実施例を詳細に説明する。

まず、図１を参照しながら、本開示の実施例に係る文書に対してイベントのラベル付けを行う装置１００を説明する。図１は本開示の実施例に係る文書に対してイベントのラベル付けを行う装置１００の機能的構成の例を示すブロック図である。図１に示すように、本開示の実施例に係る文書に対してイベントのラベル付けを行う装置１００は、キーワード抽出部１０２、文抽出部１０４、クラスタリング部１０６、選択部１０８、及びマッチング部１１０を含む。

キーワード抽出部１０２は、少なくとも２つのカテゴリのうちの各カテゴリに属する文書から少なくとも１つのキーワードをそれぞれ抽出してもよい。

具体的には、文書は、中国語、英語、日本語などの言語の文書であってもよく、同一のカテゴリに属する文書が類似の構造を有すればよい。具体的には、同一のカテゴリに属する文書は、大量の同一のイベントを含む。

例えば、文書は裁判文書であってもよいが、これに限定されない。一例として、中国語の裁判文書では、イベントは文書の構成要素であり、当事者により陳述された主な内容は判決の基礎となる。しかし、裁判文書におけるイベントは多様であり、社会生活の略全ての分野に関連する。コーパスの不足は、裁判文書のイベントに対する認識の性能の向上を制限している。

好ましくは、該少なくとも２つのカテゴリのうちの各カテゴリに属する文書は、裁判文書の事由に基づいて文書を分類して取得される。

同一の事由に属する裁判文書は大量の同一のイベントを含むため、事由に基づいて文書を分類することで、異なるカテゴリを有する文書を区別することができる。具体的には、例えば文書の名称又は要約から事由を取得してもよい。一例として、事由に基づいて裁判文書を分類し、同一の事由に属する裁判文書を同一の種類に分けてもよい。

民事訴訟における婚姻家族紛争を一例にすると、婚姻家族紛争の事由は、離婚紛争、婚姻無効紛争、婚姻契約財産紛争などを含む。同一の事由を有する文書を同一のカテゴリに分類すると、婚姻家族紛争の裁判文書は１９個のカテゴリに分類される。

好ましくは、キーワード抽出部１０２は、話題単語モデル（ｔｏｐｉｃｗｏｒｄｍｏｄｅｌ）により、各カテゴリに属する文書から該少なくとも１つのキーワードを抽出してもよい。

例えば、話題単語モデルは、ＬＤＡ（ＬａｔｅｎｔＤｉｒｉｃｈｌｅｔＡｌｌｏｃａｔｉｏｎ）文書本体モデルであってもよいが、これに限定されない。

好ましくは、キーワード抽出部１０２は、話題単語モデルにより各カテゴリに属する文書を比較し、各カテゴリに属する文書から該少なくとも１つのキーワードを抽出してもよい。よって、少なくとも２つのカテゴリの文書が必要である。

上記の婚姻家族紛争の裁判文書の１９個のカテゴリを一例にすると、話題単語モデルを用いて各カテゴリに属する裁判文書を比較し、各カテゴリのキーワードの集合を取得してもよい。一例として、離婚紛争に含まれるキーワードは、「浮気」、「性格の不一致」、「家庭内暴力」などを含んでもよい。

なお、話題単語モデルに加えて、ニューラルネットワーク構造を用いて各カテゴリのキーワードの集合を抽出してもよい。また、他の方法を用いて各カテゴリのキーワードの集合を抽出してもよいが、ここでその説明を省略する。

文抽出部１０４は、該少なくとも２つのカテゴリのうちの指定カテゴリに属する文書から、指定カテゴリについて抽出された該少なくとも１つのキーワードのうちの任意のキーワードを含む複数の文を抽出してもよい。ここで、該少なくとも１つのキーワードのうちの各キーワードはイベントのトリガ単語として用いられ、複数の文のうちの各文はイベント言及として用いられる。

キーワードをイベントのトリガ単語として用い、複数の文のうちの各文をイベント言及として用いることで、テキストにおける主要なイベントを認識することができる。

好ましくは、指定カテゴリは、該少なくとも２つのカテゴリの全てのカテゴリを含む。具体的には、該少なくとも２つのカテゴリのうちの各カテゴリの文書から、該カテゴリについて抽出された該少なくとも１つのキーワードのうちの任意のキーワードを含む複数の文を抽出する。しかし、当業者が理解できるように、該少なくとも２つのカテゴリのうちの指定された１つ又は複数のカテゴリの文書から、該カテゴリについて抽出された該少なくとも１つのキーワードのうちの任意のキーワードを含む複数の文を抽出し、該複数の文について後続処理を行ってもよい。

クラスタリング部１０６は、指定カテゴリに属する文書について抽出された複数の文間の類似度に基づいて、複数の文をクラスタリングし、複数のクラスタリング後の文グループを形成してもよい。

上述したように、同一のカテゴリに属する文書は大量の同一のイベントを含むため、クラスタリング後の文グループは、同一のイベントを記述する大量の文を含む。

好ましくは、本開示の実施例に係る文書に対してイベントのラベル付けを行う装置１００は、一般化部をさらに含む。該一般化部は、指定カテゴリの文書について抽出された複数の文における名称エンティティをタイプ名称に置き換え、複数の文に対して一般化処理を行ってもよい。また、クラスタリング部１０６は、一般化処理後の複数の文をクラスタリングし、複数のクラスタリング後の文グループを形成してもよい。

一例として、一般化部は、指定カテゴリの文書について抽出された複数の文における例えば人名、地名、時間などの名称エンティティを識別し、人名、地名及び時間などの名称エンティティをタイプ名称であるｐｅｒｓｏｎ、ｐｌａｃｅ及びｔｉｍｅにそれぞれ一般化し、文に対して一般化処理を行ってもよい。

好ましくは、クラスタリング部１０６は、複数の文の文ベクトル間の類似度に基づいて、複数の文をクラスタリングしてもよい。ここで、文ベクトルは、単語ベクトルに基づいて計算される。

具体的には、クラスタリング部１０６は以下のように各文をベクトル化してもよい。まず、各文を単語に分割し、そして、単語の単語ベクトルを加算して平均値を求めて、該文の文ベクトルを取得する。クラスタリング部１０６は、複数の文の文ベクトル間の類似度を計算し、複数の文をクラスタリングする。

なお、文ベクトル間の類似度以外の類似度を用いて複数の文をクラスタリングしてもよいが、ここでその説明を省略する。

上述した離婚紛争に関して、キーワード「浮気」を一例にすると、文書から以下の文を抽出し、文をクラスタリングした後に以下の２つのグループのクラスタリング結果（各グループは３つの文を含む）を取得してもよい。

（第１グループのクラスタリング結果）
１．１：「本裁判所は、既存の証拠に基づいて、原告が被告により主張された浮気をしたことを証明できないと認定している。」
１．２：「本事件において、原告は被告が浮気をしたことを理由として被告との離婚を請求したが、原告が浮気をしたことを証明できる証拠はない。」
１．３：「両当事者は相手が浮気をしたと疑っているが、それを十分に証明できる証拠はない。」
（第２グループのクラスタリング結果）
２．１：「原告は、被告が浮気をしたことによる夫婦間の性格の不一致を理由として、夫婦共同財産を被告に少なく分割すべきであると主張した。」
２．２：「原告の張氏は、被告の石氏が浮気をしたと主張し、法廷においてそれを裏付ける１４枚の写真を提出した。」
２．３：「夫婦関係にも関わらず、被告は原告の世話をしておらず、医療費を支払わず、且つ浮気をした。」
裁判文書では、上述したように、裁判文書のうちの同一の事由を有する裁判文書は大量の同一のイベントを含むため、クラスタリング後の文グループは同一のイベントを記述する文を含む。

選択部１０８は、各クラスタリング後の文グループから所定数の文をそれぞれ選択し、選択された所定数の文においてイベント情報のラベル付けを行ってもよい。

具体的には、選択部１０８は、各クラスタリング後の文グループから所定数の文を該文グループの代表的な文例としてそれぞれ選択し、イベントのラベル付けを行い、即ちイベント要素、要素役割及びイベントタイプのラベル付けを行ってもよい。一例として、選択部１０８は、各クラスタリング後のそれぞれの文グループから、所定数の文を該文グループの代表的な文例としてランダムに選択してもよい。ここで、当業者は経験に応じて該所定数を予め設定してもよい。

上記の２つのグループのクラスタリング結果について、例えば各文グループにおける１番目の文を該文グループの代表的な文例を選択し、イベントのラベル付けを行ってもよい。

例えば、手動のラベル付けにより、第１グループのクラスタリング結果における１番目の文のイベント要素は以下のようにラベル付けされてもよい。

＜主語＞本裁判所＜／主語＞は、＜根拠＞既存の証拠に基づいて＜／根拠＞、＜事情＞原告が被告により主張された浮気をしたこと＜／事情＞を＜結論＞証明できない＜／結論＞と認定している。

このように、選択部１０８は、選択された所定数の文においてイベント情報のラベル付けを行えばよく、即ち必要な手動のラベル付けは僅かである。

マッチング部１１０は、各クラスタリング後の文グループについて、選択された所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングし、該文グループにおける全ての文に対してイベント情報のラベル付けを行う。

例えば、マッチング部１１０は選択された所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文に自動的にマッチングしてもよいが、これに限定されない。

選択された所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングすることで、該文グループにおける全ての文に対してイベント情報のラベル付けを行うことができる。これによって、僅かな手動のラベル付けにより大量のイベントがラベル付けされたコーパスを取得することができると共に、コーパスは裁判文書に記述された大部分の主要なイベントをカバーすることができる。

好ましくは、マッチング部１１０は、各クラスタリング後の文グループについて、文の位置合わせにより、選択された所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングしてもよい。

具体的に、マッチング部１１０は、代表的な例文と、代表的な例文の属する文グループにおける他の全ての文とを２つの文からなる文ペアにそれぞれ組み合わせ、文の成分の位置合わせを行ってもよい。位置合わせの結果により、代表的な文例においてラベル付けされたイベント情報を、該代表的な例文の属する文グループにおける他の全ての文にマッピングし、それを他の文のイベントのラベルとする。

上記の第１グループのクラスタリング結果を一例にして、図２を参照しながら第１文と第２文との位置合わせ結果を説明する。図２は本開示の実施例に係る第１グループのクラスタリング結果における第１文と第２文との位置合わせ結果の例を示す図である。図２に示すように、キーワードを用いて第１文及び第２文に対して位置合わせを行い、例えば、第１文における「本裁判所」と第２文における「本事件」とに対して位置合わせを行い、第１文における「証拠」と第２文における「証拠」とに対して位置合わせを行い、第１文における「できない」と第２文における「ない」とに対して位置合わせを行い、第１文における「証明」と第２文における「証明」とに対して位置合わせを行い、第１文における「原告」と第２文における「原告」とに対して位置合わせを行い、第１文における「被告」と第２文における「被告」とに対して位置合わせを行い、第１文における「浮気」と第２文における「浮気」とに対して位置合わせを行う。

文の位置合わせの方法を用いて、代表的な文例のラベル付けの結果を該代表的な例文の属する文グループにおける他の文にマッピングすることで、大量のイベントがラベル付けされたコーパスを容易に取得することができる。

例えば、上記の第１グループのクラスタリング結果における第１文のイベントのラベル付け結果に基づいて、位置合わせを行うことが可能な最も長い連続的なユニットをラベル付けのマッピング原則として、第１グループのクラスタリング結果における第２文の以下のラベル付け結果を取得してもよい。

＜主語＞本事件＜／主語＞において、＜／事情＞原告は被告が浮気をしたこと＜／事情＞を理由として被告との離婚を請求したが、原告が浮気をしたことを＜結論＞証明できる証拠はない＜／結論＞。

なお、文の位置合わせにより選択された所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングするという方法に加えて、他のマッチング方法を用いてもよいが、ここでその説明を省略する。

以上は、離婚紛争についてキーワード「浮気」を一例にして文のクラスタリングを説明した。上述したように、離婚紛争に含まれるキーワードは、「浮気」、「性格の不一致」、「家庭内暴力」などを含んでもよい。離婚紛争にキーワード「浮気」が含まれていない場合、キーワード「性格の不一致」又は「家庭内暴力」を用いて文をクラスタリングしてもよい。１つの文が「浮気」のクラスタリング結果のグループ及び「性格の不一致」のクラスタリング結果のグループの両方に含まれている場合、マッチング部１１０による上記２つのクラスタリング結果のグループにおける該文のラベル付け結果の任意の１つを該文のイベントラベルとして選択してもよいし、マッチング部１１０による上記２つのクラスタリング結果のグループにおける該文のラベル付け結果の組み合わせを該文のイベントラベルとして選択してもよい。なお、少なくとも２つのキーワードを用いて文をクラスタリングしてもよいが、ここでその説明を省略する。

さらに、上記の例では、各文グループにおける１つの文を該文グループの代表的な文例として選択してイベントのラベル付けを行うが、各文グループにおける２つ以上の文を該文グループの代表的な文例として選択してイベントのラベル付けを行ってもよい。２つ以上の文を文グループの代表的な文例として選択する場合、例えば選択された２つ以上の文に対して手動のラベル付けをそれぞれ行い、そして、選択された２つ以上の文の手動のラベル付け結果を組み合わせてもよく、マッチング部１１０は選択された２つ以上の文の組み合わせ後のイベントのラベル付け情報を該文グループにおける他の全ての文にマッチングしてもよいが、これに限定されない。

以上のことから、本開示の実施例に係る文書に対してイベントのラベル付けを行う装置１００では、同一のカテゴリに属する文書に大量の同一のイベントが含まれるという特性を用いて、同一のイベントを記述した文をクラスタリングした後に、クラスタにおける少数の文をラベル付けすることで、該クラスタにおける全ての文のイベントのラベルを取得することができる。これによって、僅かな手動のラベル付けにより大量のイベントがラベル付けされたコーパスを取得することができると共に、コーパスは同一のカテゴリの文書に記述された大部分の主要なイベントをカバーすることができる。よって、文書のイベントのラベル付けのコーパスを拡張することができ、文書に対するイベント認識の精度及び効率を向上させることができる。

より具体的には、文書が裁判文書である例では、本開示の実施例に係る文書に対してイベントのラベル付けを行う装置１００は、裁判文書のうちの同一の事由を有する裁判文書に大量の同一のイベントが含まれるという特性を用いることで、僅かな手動のラベル付けにより大量のイベントがラベル付けされたコーパスを取得することができると共に、コーパスは同一の事由を有する裁判文書に記述された大部分の主要なイベントをカバーすることができる。よって、裁判文書のイベントのラベル付けのコーパスを拡張することができ、裁判文書に対するイベント認識の精度及び効率を向上させることができる。

上記の文書に対してイベントのラベル付けを行う装置と同様に、本開示は文書に対してイベントのラベル付けを行う方法３００の実施例をさらに提供する。

図３は本開示の実施例に係る文書に対してイベントのラベル付けを行う方法３００の流れの例を示すフローチャートである。

図３に示すように、本開示の実施例に係る文書に対してイベントのラベル付けを行う方法３００は、キーワード抽出ステップＳ３０２、文抽出ステップＳ３０４、クラスタリングステップＳ３０６、選択ステップＳ３０８、及びマッチングステップＳ３１０を含む。

キーワード抽出ステップＳ３０２において、少なくとも２つのカテゴリのうちの各カテゴリに属する文書から少なくとも１つのキーワードをそれぞれ抽出する。

例えば、文書は裁判文書であってもよいが、これに限定されない。

好ましくは、キーワード抽出ステップＳ３０２において、話題単語モデルにより、各カテゴリに属する文書から該少なくとも１つのキーワードを抽出してもよい。

好ましくは、キーワード抽出ステップＳ３０２において、話題単語モデルにより各カテゴリに属する文書を比較し、各カテゴリに属する文書から該少なくとも１つのキーワードを抽出してもよい。よって、少なくとも２つのカテゴリの文書が必要である。

文抽出ステップＳ３０４において、該少なくとも２つのカテゴリのうちの指定カテゴリに属する文書から、指定カテゴリについて抽出された該少なくとも１つのキーワードのうちの任意のキーワードを含む複数の文を抽出してもよい。ここで、該少なくとも１つのキーワードのうちの各キーワードはイベントのトリガ単語として用いられ、複数の文のうちの各文はイベント言及として用いられる。

クラスタリングステップＳ３０６において、指定カテゴリに属する文書について抽出された複数の文間の類似度に基づいて、複数の文をクラスタリングし、複数のクラスタリング後の文グループを形成してもよい。

裁判文書の場合は、裁判文書のうちの同一の事由を有する裁判文書は大量の同一のイベントを含むため、クラスタリング後の文グループは、同一のイベントを記述する大量の文を含む。

好ましくは、本開示の実施例に係る文書に対してイベントのラベル付けを行う方法３００は、一般化ステップをさらに含む。該一般化ステップにおいて、指定カテゴリの文書について抽出された複数の文における名称エンティティをタイプ名称に置き換え、複数の文に対して一般化処理を行ってもよい。また、クラスタリングステップＳ３０６は、一般化処理後の複数の文をクラスタリングし、複数のクラスタリング後の文グループを形成してもよい。

一例として、一般化ステップにおいて、指定カテゴリの文書について抽出された複数の文における例えば人名、地名、時間などの名称エンティティを識別し、人名、地名及び時間などの名称エンティティをタイプ名称であるｐｅｒｓｏｎ、ｐｌａｃｅ及びｔｉｍｅにそれぞれ一般化し、文に対して一般化処理を行ってもよい。

好ましくは、クラスタリングステップＳ３０６において、複数の文の文ベクトル間の類似度に基づいて、複数の文をクラスタリングしてもよい。ここで、文ベクトルは、単語ベクトルに基づいて計算される。

具体的には、クラスタリングステップＳ３０６において、以下のように各文をベクトル化してもよい。まず、各文を単語に分割し、そして、単語の単語ベクトルを加算して平均値を求めて、該文の文ベクトルを取得する。クラスタリングステップＳ３０６は、複数の文の文ベクトル間の類似度を計算し、複数の文をクラスタリングする。

選択ステップＳ３０８において、各クラスタリング後の文グループから所定数の文をそれぞれ選択し、選択された所定数の文においてイベント情報のラベル付けを行ってもよい。

具体的には、選択ステップＳ３０８において、各クラスタリング後の文グループから所定数の文を該文グループの代表的な文例としてそれぞれ選択し、イベントのラベル付けを行い、即ちイベント要素、要素役割及びイベントタイプのラベル付けを行ってもよい。一例として、選択ステップＳ３０８は、各クラスタリング後のそれぞれの文グループから、所定数の文を該文グループの代表的な文例としてランダムに選択してもよい。ここで、当業者は経験に応じて該所定数を予め設定してもよい。

このように、選択ステップＳ３０８において、選択された所定数の文においてイベント情報のラベル付けを行えばよく、即ち必要な手動のラベル付けは僅かである。

マッチングステップＳ３１０において、各クラスタリング後の文グループについて、選択された所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングし、該文グループにおける全ての文に対してイベント情報のラベル付けを行う。

好ましくは、マッチングステップＳ３１０において、各クラスタリング後の文グループについて、文の位置合わせにより、選択された所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングしてもよい。

具体的に、マッチングステップＳ３１０は、代表的な例文と、代表的な例文の属する文グループにおける他の全ての文とを２つの文からなる文ペアにそれぞれ組み合わせ、文の成分の位置合わせを行ってもよい。位置合わせの結果により、代表的な文例においてラベル付けされたイベント情報を、該代表的な例文の属する文グループにおける他の全ての文にマッピングし、それを他の文のイベントのラベルとする。

以上のことから、本開示の実施例に係る文書に対してイベントのラベル付けを行う方法３００では、同一のカテゴリに属する文書に大量の同一のイベントが含まれるという特性を用いて、同一のイベントを記述した文をクラスタリングした後に、クラスタにおける少数の文をラベル付けすることで、該クラスタにおける全ての文のイベントのラベルを取得することができる。これによって、僅かな手動のラベル付けにより大量のイベントがラベル付けされたコーパスを取得することができると共に、コーパスは同一のカテゴリの文書に記述された大部分の主要なイベントをカバーすることができる。よって、文書のイベントのラベル付けのコーパスを拡張することができ、文書に対するイベント認識の精度及び効率を向上させることができる。

より具体的には、文書が裁判文書である例では、本開示の実施例に係る文書に対してイベントのラベル付けを行う方法３００は、裁判文書のうちの同一の事由を有する裁判文書に大量の同一のイベントが含まれるという特性を用いることで、僅かな手動のラベル付けにより大量のイベントがラベル付けされたコーパスを取得することができると共に、コーパスは同一の事由を有する裁判文書に記述された大部分の主要なイベントをカバーすることができる。よって、裁判文書のイベントのラベル付けのコーパスを拡張することができ、裁判文書に対するイベント認識の精度及び効率を向上させることができる。

なお、以上は本開示の実施例に係る分類モデルの訓練装置及び方法、並びに分類モデルを用いる分類装置及び方法の機能的構成及び動作を説明しているが、該機能的構成及び動作は単なる例示的なものであり、本開示を限定するものではない。当業者は、本開示の原理に従って上記実施例を修正してもよく、例えば各実施例における機能的モジュールを追加、削除又は組み合わせてもよく、これらの修正は本開示の範囲に含まれるものである。

また、ここの装置の実施例は上記方法の実施例に対応するため、装置の実施例に詳細に説明されていない内容は、上記方法実施例の対応説明を参照してもよく、ここでその説明を省略する。

また、本開示は記憶媒体及びプログラムプロダクトをさらに提供する。本開示の実施例に係る記憶媒体及びプログラムプロダクトにおける機器が実行可能な命令は上記方法を実行してもよく、ここで詳細に説明されていない内容は、上記方法の実施例の対応説明を参照してもよく、ここでその説明を省略する。

それに応じて、本開示は、機器が実行可能な命令を含むプログラムプロダクトが記録されている記憶媒体をさらに含む。該記憶媒体は、フロッピーディスク、光ディスク、光磁気ディスク、メモリカード、メモリスティック等を含むが、これらに限定されない。

なお、上記処理及び装置はソフトウェア及び／又はファームウェアにより実現されてもよい。ソフトウェア及び／又はファームウェアにより実施されている場合、記憶媒体又はネットワークから専用のハードウェア構成を有するコンピュータ、例えば図４示されている汎用パーソナルコンピュータ４００に上記方法を実施するためのソフトウェアを構成するプログラムをインストールしてもよく、該コンピュータは各種のプログラムがインストールされている場合は各種の機能などを実行できる。

図４において、中央処理部（ＣＰＵ）４０１は、読み出し専用メモリ（ＲＯＭ）４０２に記憶されているプログラム、又は記憶部４０８からランダムアクセスメモリ（ＲＡＭ）４０３にロードされたプログラムにより各種の処理を実行する。ＲＡＭ４０３には、必要に応じて、ＣＰＵ４０１が各種の処理を実行するに必要なデータが記憶されている。

ＣＰＵ４０１、ＲＯＭ４０２、及びＲＡＭ４０３は、バス４０４を介して互いに接続されている。入力／出力インターフェース４０５もバス４０４に接続されている。

入力部４０６（キーボード、マウスなどを含む）、出力部７０７（ディスプレイ、例えばブラウン管（ＣＲＴ）、液晶ディスプレイ（ＬＣＤ）など、及びスピーカなどを含む）、記憶部４０８（例えばハードディスクなどを含む）、通信部４０９（例えばネットワークのインタフェースカード、例えばＬＡＮカード、モデムなどを含む）は、入力／出力インターフェース４０５に接続されている。通信部４０９は、ネットワーク、例えばインターネットを介して通信処理を実行する。

必要に応じて、ドライバ４１０は、入力／出力インターフェース４０５に接続されてもよい。取り外し可能な媒体４１１は、例えば磁気ディスク、光ディスク、光磁気ディスク、半導体メモリなどであり、必要に応じてドライバ４１０にセットアップされて、その中から読みだされたコンピュータプログラムは必要に応じて記憶部４０８にインストールされている。

ソフトウェアにより上記処理を実施する場合、ネットワーク、例えばインターネット、又は記憶媒体、例えば取り外し可能な媒体４１１を介してソフトウェアを構成するプログラムをインストールする。

なお、これらの記憶媒体は、図４に示されている、プログラムを記憶し、機器と分離してユーザへプログラムを提供する取り外し可能な媒体４１１に限定されない。取り外し可能な媒体４１１は、例えば磁気ディスク（フロッピーディスク（登録商標）を含む）、光ディスク（光ディスク−読み出し専用メモリ（ＣＤ−ＲＯＭ）、及びデジタル多目的ディスク（ＤＶＤ）を含む）、光磁気ディスク（ミニディスク（ＭＤ）（登録商標））及び半導体メモリを含む。或いは、記憶媒体は、ＲＯＭ４０２、記憶部４０８に含まれるハードディスクなどであってもよく、プログラムを記憶し、それらを含む機器と共にユーザへ提供される。

以上は図面を参照しながら本開示の好ましい実施例を説明しているが、上記実施例及び例は例示的なものであり、制限的なものではない。当業者は、特許請求の範囲の主旨及び範囲内で本開示に対して各種の修正、改良、均等的なものに変更してもよい。これらの修正、改良又は均等的なものに変更することは本開示の保護範囲に含まれるものである。

例えば、上記実施例の１つのユニットに含まれる機能は別々の装置により実現されてもよい。また、上記実施例の複数のユニットにより実現される複数の機能は別々の装置によりそれぞれ実現されてもよい。さらに、以上の機能の１つは複数のユニットにより実現されてもよい。なお、これらの構成は本開示の範囲内のものである。

また、本開示の方法は、明細書に説明された時間的順序で実行するものに限定されず、他の時間的順序で順次、並行、又は独立して実行されてもよい。このため、本明細書に説明された方法の実行順序は、本開示の技術的な範囲を限定するものではない。

また、上述の各実施例を含む実施形態に関し、更に以下の付記を開示するが、これらの付記に限定されない。
（付記１）
文書に対してイベントのラベル付けを行う装置であって、
少なくとも２つのカテゴリのうちの各カテゴリに属する文書から少なくとも１つのキーワードをそれぞれ抽出するキーワード抽出部と、
前記少なくとも２つのカテゴリのうちの指定カテゴリに属する文書から、前記指定カテゴリについて抽出された前記少なくとも１つのキーワードのうちの任意のキーワードを含む複数の文を抽出する文抽出部であって、前記少なくとも１つのキーワードのうちの各キーワードはイベントのトリガ単語として用いられ、前記複数の文のうちの各文はイベント言及として用いられる、文抽出部と、
前記指定カテゴリに属する文書について抽出された前記複数の文間の類似度に基づいて、前記複数の文をクラスタリングし、複数のクラスタリング後の文グループを形成するクラスタリング部と、
各クラスタリング後の文グループから所定数の文をそれぞれ選択し、選択された前記所定数の文においてイベント情報のラベル付けを行う選択部と、
各クラスタリング後の文グループについて、選択された前記所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングし、該文グループにおける全ての文に対してイベント情報のラベル付けを行うマッチング部と、を含む、装置。
（付記２）
前記指定カテゴリの文書について抽出された前記複数の文における名称エンティティをタイプ名称に置き換え、前記複数の文に対して一般化処理を行う一般化部、をさらに含み、
前記クラスタリング部は、一般化処理後の前記複数の文をクラスタリングし、前記複数のクラスタリング後の文グループを形成する、付記１に記載の装置。
（付記３）
前記クラスタリング部は、前記複数の文の文ベクトル間の類似度に基づいて、前記複数の文をクラスタリングし、
前記文ベクトルは、単語ベクトルに基づいて計算される、付記１に記載の装置。
（付記４）
前記マッチング部は、各クラスタリング後の文グループについて、文の位置合わせにより、選択された前記所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングする、付記１に記載の装置。
（付記５）
前記文書は、裁判文書である、付記１に記載の装置。
（付記６）
前記少なくとも２つのカテゴリのうちの各カテゴリに属する文書は、前記裁判文書の事由に基づいて前記文書を分類して取得される、付記５に記載の装置。
（付記７）
前記キーワード抽出部は、話題単語モデルにより、各カテゴリに属する文書から前記少なくとも１つのキーワードを抽出する、付記１に記載の装置。
（付記８）
前記キーワード抽出部は、前記話題単語モデルにより各カテゴリに属する文書を比較し、各カテゴリに属する文書から前記少なくとも１つのキーワードを抽出する、付記７に記載の装置。
（付記９）
前記指定カテゴリは、前記少なくとも２つのカテゴリの全てのカテゴリを含む、付記１に記載の装置。
（付記１０）
文書に対してイベントのラベル付けを行う方法であって、
少なくとも２つのカテゴリのうちの各カテゴリに属する文書から少なくとも１つのキーワードをそれぞれ抽出するキーワード抽出ステップと、
前記少なくとも２つのカテゴリのうちの指定カテゴリに属する文書から、前記指定カテゴリについて抽出された前記少なくとも１つのキーワードのうちの任意のキーワードを含む複数の文を抽出する文抽出ステップであって、前記少なくとも１つのキーワードのうちの各キーワードはイベントのトリガワードとして用いられ、前記複数の文のうちの各文はイベント言及として用いられる、文抽出ステップと、
前記指定カテゴリに属する文書について抽出された前記複数の文の類似度に基づいて、前記複数の文をクラスタリングし、複数のクラスタリング後の文グループを形成するクラスタリングステップと、
各クラスタリング後の文グループから所定数の文をそれぞれ選択し、選択された前記所定数の文においてイベント情報のラベル付けを行う選択ステップと、
各クラスタリング後の文グループについて、選択された前記所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングし、該文グループにおける全ての文に対してイベント情報のラベル付けを行うマッチングステップと、を含む、方法。
（付記１１）
前記指定カテゴリの文書について抽出された前記複数の文における名称エンティティをタイプ名称に置き換え、前記複数の文に対して一般化処理を行う一般化ステップ、をさらに含み、
前記クラスタリングステップにおいて、一般化処理後の前記複数の文をクラスタリングし、前記複数のクラスタリング後の文グループを形成する、付記１０に記載の方法。
（付記１２）
前記クラスタリングステップにおいて、前記複数の文の文ベクトル間の類似度に基づいて、前記複数の文をクラスタリングし、
前記文ベクトルは、単語ベクトルに基づいて計算される、付記１０に記載の方法。
（付記１３）
前記マッチングステップにおいて、各クラスタリング後の文グループについて、文の位置合わせにより、選択された前記所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングする、付記１０に記載の方法。
（付記１４）
前記文書は、裁判文書である、付記１０に記載の方法。
（付記１５）
前記少なくとも２つのカテゴリのうちの各カテゴリに属する文書は、前記裁判文書の事由に基づいて前記文書を分類して取得される、付記１４に記載の方法。
（付記１６）
前記キーワード抽出ステップにおいて、話題単語モデルにより、各カテゴリに属する文書から前記少なくとも１つのキーワードを抽出する、付記１０に記載の方法。
（付記１７）
前記キーワード抽出ステップにおいて、前記話題単語モデルにより各カテゴリに属する文書を比較し、各カテゴリに属する文書から前記少なくとも１つのキーワードを抽出する、付記１６に記載の方法。
（付記１８）
前記指定カテゴリは、前記少なくとも２つのカテゴリの全てのカテゴリを含む、付記１０に記載の方法。
（付記１９）
プログラムを記録したコンピュータ読み取り可能な記録媒体であって、前記プログラムは、コンピュータに、
少なくとも２つのカテゴリのうちの各カテゴリに属する文書から少なくとも１つのキーワードをそれぞれ抽出するキーワード抽出ステップと、
前記少なくとも２つのカテゴリのうちの指定カテゴリに属する文書から、前記指定カテゴリについて抽出された前記少なくとも１つのキーワードのうちの任意のキーワードを含む複数の文を抽出する文抽出ステップであって、前記少なくとも１つのキーワードのうちの各キーワードはイベントのトリガワードとして用いられ、前記複数の文のうちの各文はイベント言及として用いられる、文抽出ステップと、
前記指定カテゴリに属する文書について抽出された前記複数の文の類似度に基づいて、前記複数の文をクラスタリングし、複数のクラスタリング後の文グループを形成するクラスタリングステップと、
各クラスタリング後の文グループから所定数の文をそれぞれ選択し、選択された前記所定数の文においてイベント情報のラベル付けを行う選択ステップと、
各クラスタリング後の文グループについて、選択された前記所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングし、該文グループにおける全ての文に対してイベント情報のラベル付けを行うマッチングステップと、を実行させる、記録媒体。

Claims

文書に対してイベントのラベル付けを行う装置であって、
少なくとも２つのカテゴリのうちの各カテゴリに属する文書から少なくとも１つのキーワードをそれぞれ抽出するキーワード抽出部と、
前記少なくとも２つのカテゴリのうちの指定カテゴリに属する文書から、前記指定カテゴリについて抽出された前記少なくとも１つのキーワードのうちの任意のキーワードを含む複数の文を抽出する文抽出部であって、前記少なくとも１つのキーワードのうちの各キーワードはイベントのトリガ単語として用いられ、前記複数の文のうちの各文はイベント言及として用いられる、文抽出部と、
前記指定カテゴリに属する文書について抽出された前記複数の文間の類似度に基づいて、前記複数の文をクラスタリングし、複数のクラスタリング後の文グループを形成するクラスタリング部と、
各クラスタリング後の文グループから所定数の文をそれぞれ選択し、選択された前記所定数の文においてイベント情報のラベル付けを行う選択部と、
各クラスタリング後の文グループについて、選択された前記所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングし、該文グループにおける全ての文に対してイベント情報のラベル付けを行うマッチング部と、を含む、装置。
前記指定カテゴリの文書について抽出された前記複数の文における名称エンティティをタイプ名称に置き換え、前記複数の文に対して一般化処理を行う一般化部、をさらに含み、
前記クラスタリング部は、一般化処理後の前記複数の文をクラスタリングし、前記複数のクラスタリング後の文グループを形成する、請求項１に記載の装置。
前記クラスタリング部は、前記複数の文の文ベクトル間の類似度に基づいて、前記複数の文をクラスタリングし、
前記文ベクトルは、単語ベクトルに基づいて計算される、請求項１に記載の装置。
前記マッチング部は、各クラスタリング後の文グループについて、文の位置合わせにより、選択された前記所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングする、請求項１に記載の装置。
前記文書は、裁判文書である、請求項１に記載の装置。
前記少なくとも２つのカテゴリのうちの各カテゴリに属する文書は、前記裁判文書の事由に基づいて前記文書を分類して取得される、請求項５に記載の装置。
前記キーワード抽出部は、話題単語モデルにより、各カテゴリに属する文書から前記少なくとも１つのキーワードを抽出する、請求項１に記載の装置。
前記キーワード抽出部は、前記話題単語モデルにより各カテゴリに属する文書を比較し、各カテゴリに属する文書から前記少なくとも１つのキーワードを抽出する、請求項７に記載の装置。
文書に対してイベントのラベル付けを行う方法であって、
少なくとも２つのカテゴリのうちの各カテゴリに属する文書から少なくとも１つのキーワードをそれぞれ抽出するキーワード抽出ステップと、
前記少なくとも２つのカテゴリのうちの指定カテゴリに属する文書から、前記指定カテゴリについて抽出された前記少なくとも１つのキーワードのうちの任意のキーワードを含む複数の文を抽出する文抽出ステップであって、前記少なくとも１つのキーワードのうちの各キーワードはイベントのトリガワードとして用いられ、前記複数の文のうちの各文はイベント言及として用いられる、文抽出ステップと、
前記指定カテゴリに属する文書について抽出された前記複数の文の類似度に基づいて、前記複数の文をクラスタリングし、複数のクラスタリング後の文グループを形成するクラスタリングステップと、
各クラスタリング後の文グループから所定数の文をそれぞれ選択し、選択された前記所定数の文においてイベント情報のラベル付けを行う選択ステップと、
各クラスタリング後の文グループについて、選択された前記所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングし、該文グループにおける全ての文に対してイベント情報のラベル付けを行うマッチングステップと、を含む、方法。
プログラムを記録したコンピュータ読み取り可能な記録媒体であって、前記プログラムは、コンピュータに、
少なくとも２つのカテゴリのうちの各カテゴリに属する文書から少なくとも１つのキーワードをそれぞれ抽出するキーワード抽出ステップと、
前記少なくとも２つのカテゴリのうちの指定カテゴリに属する文書から、前記指定カテゴリについて抽出された前記少なくとも１つのキーワードのうちの任意のキーワードを含む複数の文を抽出する文抽出ステップであって、前記少なくとも１つのキーワードのうちの各キーワードはイベントのトリガワードとして用いられ、前記複数の文のうちの各文はイベント言及として用いられる、文抽出ステップと、
前記指定カテゴリに属する文書について抽出された前記複数の文の類似度に基づいて、前記複数の文をクラスタリングし、複数のクラスタリング後の文グループを形成するクラスタリングステップと、
各クラスタリング後の文グループから所定数の文をそれぞれ選択し、選択された前記所定数の文においてイベント情報のラベル付けを行う選択ステップと、
各クラスタリング後の文グループについて、選択された前記所定数の文においてラベル付けされたイベント情報を該文グループにおける他の全ての文にマッチングし、該文グループにおける全ての文に対してイベント情報のラベル付けを行うマッチングステップと、を実行させる、記録媒体。