WO2013058118A1 - テキスト含意判定装置、テキスト含意判定方法、及びコンピュータ読み取り可能な記録媒体 - Google Patents

テキスト含意判定装置、テキスト含意判定方法、及びコンピュータ読み取り可能な記録媒体 Download PDF

Info

Publication number
WO2013058118A1
WO2013058118A1 PCT/JP2012/075765 JP2012075765W WO2013058118A1 WO 2013058118 A1 WO2013058118 A1 WO 2013058118A1 JP 2012075765 W JP2012075765 W JP 2012075765W WO 2013058118 A1 WO2013058118 A1 WO 2013058118A1
Authority
WO
WIPO (PCT)
Prior art keywords
text
term structure
predicate
word
implication
Prior art date
Application number
PCT/JP2012/075765
Other languages
English (en)
French (fr)
Inventor
土田正明
石川開
大西貴士
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to SG2013018791A priority Critical patent/SG188994A1/en
Priority to JP2013511427A priority patent/JP5387870B2/ja
Priority to CN201280003691.XA priority patent/CN103221947B/zh
Priority to US13/823,546 priority patent/US8762132B2/en
Publication of WO2013058118A1 publication Critical patent/WO2013058118A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3347—Query execution using vector based model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Definitions

  • the present invention relates to a text implication determination device, a text implication determination method, and a computer-readable recording medium on which a program for realizing the same is recorded for determining whether a specific text implies other text.
  • a program for realizing the same is recorded for determining whether a specific text implies other text.
  • the text entailment determination is a task for determining whether “text H can be estimated from text T” when text T and text H are given.
  • Non-Patent Document 1 discloses an example of a conventional text entailment determination system.
  • the text entailment determination system disclosed in Non-Patent Document 1 first parses text T and text H, and for each, the verb is the root (top node) and the verb argument (subject, purpose)
  • a tree structure is created in which words included in a word or the like become child nodes or grandchild nodes.
  • Non-Patent Document 1 performs word substitution and syntactic paraphrasing on the text T, and creates a tree structure that matches the tree structure of the text H in the subtree. Try.
  • the implication determination system determines an implication when the tree structure can be created in the subtree of the text T.
  • Non-Patent Document 1 when performing a tree structure match determination, not only a match determination as to whether or not a match is complete, but also an approximate match determination can be performed. Specifically, after the above-described tree structure is created, the implication determination system creates data called VAS (Verb-Argument Structure) from the created tree structure.
  • VAS Very-Argument Structure
  • VAS is a kind of so-called predicate term structure, and is composed of a root verb of a tree structure and a word set created separately for each argument type.
  • a VAS of “ ⁇ kill, (object: Casey, Sheehan), (other: Iraq)>” is generated from a sentence “Casey Sheehan was killed in Iraq.”.
  • Non-Patent Document 1 also discloses a method of creating a word set from the entire child node and grandchild node without distinguishing the types of arguments when the root is a be verb.
  • Non-Patent Document 1 obtains the word coverage between word sets having the same argument for two VASs created from the text T and the text H. Subsequently, the implication determination system determines that the contents of the arguments of the two VASs match when the word coverage is equal to or greater than a certain value, and further determines that the content of the two arguments is equal to or greater than a certain ratio. It is determined that the original tree structures of two VASs also match. Thus, when a VAS is generated, not only a complete match of the verb argument character string but also an approximate match is determined.
  • Non-Patent Document 1 since the implication determination system disclosed in Non-Patent Document 1 described above can determine whether one of the two natural sentences is implied, the natural sentence can be searched. It is considered possible.
  • Non-Patent Document 1 has a problem that implication determination cannot be performed when the term structures between predicates are different. This is because the implication determination system attempts to collate between texts assuming that the term structures between predicates are the same.
  • Non-Patent Document 1 extracts “withdrawal (subject: company A, object: personal computer, business)” from text T as VAS, and “disappears (subject: A) from text H. (Company, PC)).
  • An example of an object of the present invention is a text entailment determination device that can solve the above-described problem and enable the determination of implications even when the term structures between predicates are different in a plurality of texts to be determined, A text agreement determination method and a computer-readable recording medium are provided.
  • an implication determination apparatus is an apparatus for determining whether or not a first text implies a second text
  • the predicate term structure of each of the first text and the second text is acquired, and for each of the first text and the second text, a predicate argument in the predicate term structure for each predescription term structure
  • a vector generation unit that generates a vector using a word other than the word indicating the type of A vector generated for each preceding description term structure for the first text is compared with a vector generated for each preceding description term structure for the second text, and based on the result of the comparison,
  • a combination identifying unit for identifying a combination of a predicate term structure of one text and a predicate term structure of the second text; For each of the identified combinations, a feature amount is obtained, and based on the obtained feature amount, an implication determination unit that determines whether the first text implies the second text, and It is characterized by having.
  • an implication determination method in one aspect of the present invention is a method for determining whether or not a first text implies a second text
  • A Obtaining predicate term structures of the first text and the second text, respectively, and for each of the first text and the second text, for each predescription term structure, in the predicate term structure Generating a vector using a word other than the word indicating the type of argument of the predicate
  • B A vector generated for each preceding description term structure for the first text is compared with a vector generated for each preceding description term structure for the second text, and based on the result of the comparison Identifying a combination of a predicate term structure of the first text and a predicate term structure of the second text
  • C determining a feature value for each identified combination, and determining whether the first text implies the second text based on the determined feature value; It is characterized by having.
  • a computer-readable recording medium records a program for determining whether or not the first text implies the second text by the computer.
  • a computer-readable recording medium In the computer, (A) Obtaining predicate term structures of the first text and the second text, respectively, and for each of the first text and the second text, for each predescription term structure, in the predicate term structure Generating a vector using a word other than the word indicating the type of argument of the predicate; (B) A vector generated for each preceding description term structure for the first text is compared with a vector generated for each preceding description term structure for the second text, and based on the result of the comparison Identifying a combination of a predicate term structure of the first text and a predicate term structure of the second text; (C) determining a feature value for each identified combination, and determining whether the first text implies the second text based on the determined feature value; It is characterized by recording a program including an instruction for executing
  • FIG. 1 is a block diagram showing a configuration of an implication determining apparatus according to an embodiment of the present invention.
  • FIG. 2 is a flowchart showing the operation of the implication determining apparatus in the embodiment of the present invention.
  • FIG. 3 is a diagram illustrating an example of a predicate term structure extracted from text.
  • FIG. 4 is a diagram showing a vector generated from the predicate term structure shown in FIG.
  • FIG. 5 is a diagram for explaining an example of a combination identification process executed in the present embodiment.
  • FIG. 6 is a diagram for explaining an example of implication determination processing executed in the present embodiment.
  • FIG. 7 is a block diagram illustrating an example of a computer that implements an implication determining apparatus according to an embodiment of the present invention.
  • FIG. 1 is a block diagram showing a configuration of an implication determining apparatus according to an embodiment of the present invention.
  • the implication determining apparatus 2 is an apparatus for determining whether or not a first text implies a second text.
  • the implication determining apparatus 2 according to the present embodiment shown in FIG. Further, as illustrated in FIG. 1, the implication determining device 2 includes a vector generation unit 21, a combination identification unit 22, and an implication determination unit 23.
  • the vector generation unit 21 first acquires predicate term structures of the first text and the second text. Then, the vector generation unit 21 generates a vector for each of the first text and the second text using a word other than the word indicating the type of argument of the predicate in the predicate term structure for each predicate term structure. .
  • the combination identifying unit 22 compares the vector generated for each predicate term structure with respect to the first text and the vector generated for each predicate term structure with respect to the second text, and determines the first based on the comparison result. The combination of the predicate term structure of the second text and the predicate term structure of the second text is identified.
  • the implication determining unit 23 calculates a feature amount for each identified combination, and determines whether the first text implies the second text based on the calculated feature amount.
  • the implication determination apparatus 2 identifies combinations of predicate term structures to be determined from the comparison result of vectors ignoring the term structure, and determines implications between texts based on the identified combinations. . Therefore, according to the implication determination device 2, even if the term structures between predicates are different in a plurality of texts to be determined, these implications can be determined.
  • the implication determining device 2 is a device that operates by program control, and is realized by executing a program described later on a computer.
  • the “predicate term structure” includes at least a predicate (verb) included in the text, a word serving as an argument of the predicate, and a word (label) indicating the type of the argument (described later). 3). Therefore, in the present embodiment, “a word other than a word indicating the type of argument of a predicate in the predicate term structure” means a predicate (verb) and a word serving as an argument.
  • the implication determining device 2 includes an input device 1, a storage device 3 that stores various data used in the implication determining device 2, and a result to be output. Are connected to the output device 4.
  • the implication determination device 2 constructs an implication determination system together with the input device 1, the storage device 3, and the output device 4.
  • the input device 1 inputs two texts to be subjected to implication determination by the implication determination device 2, that is, the first text and the second text, to the implication determination device 2.
  • the first text may be referred to as “text T” or simply “T”
  • the second text may be referred to as “text H” or simply “H”.
  • the text T and the text H that are subject to implication determination may be text in an arbitrary unit defined by some method.
  • Text T and text H subject to implication determination for example, created by concatenating all or part of the text that constitutes a text file and a character string contained in an arbitrary subtree obtained by parsing And text created by concatenating character strings in the predicate term structure.
  • the output device 4 outputs the result of the implication determination performed by the implication determination device 2 for the text T and text H input from the input device 1.
  • Specific examples of the output device 4 include a display device and a printer.
  • the storage device 3 includes an inter-word matching rule storage unit 30 and a predicate term inter-structure matching rule storage unit 31.
  • the implication determining device 2 can use the information stored in the storage device 3, and therefore, the implication determination accuracy can be improved as compared to the case where the storage device 3 is not connected. .
  • the inter-word collation rule storage unit 30 stores implication rules (inter-word collation rules) that are established between words such as synonyms, subordinates, parts, and derivations.
  • implication rules include “NEC ⁇ NEC”, “Run ⁇ Move”, “Tokyo ⁇ Japan”, “Manufacturer ⁇ Make”, and the like.
  • the predicate term inter-structure matching rule storage unit 31 stores a relation of arguments between predicate term structures to be collated at the time of implication determination (predicate term inter-structure matching rule).
  • predicate term inter-structure matching rules include “withdraw (subject: X, object: Y) ⁇ disappear (subject: Y of X)”, “kill (object: X) ⁇ die (subject: X)” Or the like.
  • the implication determining device 2 includes a predicate term structure analyzing unit 20 in addition to the vector generating unit 21, the combination identifying unit 22, and the implication determining unit 23 described above.
  • the predicate term structure analysis unit 20 performs a structure analysis on the text input by the input device 1 and extracts a predicate term structure from each text based on the result of the structure analysis. Further, the predicate term structure analysis unit 20 outputs the extracted predicate structure to the vector generation unit 21.
  • the vector generation unit 21 extracts words other than the word indicating the type of argument of the predicate in the predicate term structure, that is, the predicate and the word serving as the argument of the predicate. To generate a vector.
  • the vector generation unit 21 generates a vector for each predicate term structure of each text, that is, for each predicate structure when each text has a plurality of predicate structures.
  • the vector generation unit 21 outputs the generated vector to the combination identification unit 22.
  • the combination identification unit 22 reads the collation rule from each of the inter-word collation rule storage unit 30 and the predicate term inter-structure collation rule storage unit 31, and identifies the combination by referring to the collation rule. it can. Further, the combination identifying unit 22 outputs the identified combination to the implication determining unit 23.
  • the combination identification unit 22 calculates the similarity between the vector generated for each predicate term structure for the text T and the vector generated for each predicate term structure for the text H.
  • the combination identifying unit 22 identifies a combination of the predicate term structure of the text T and the predicate term structure of the text H based on the calculated similarity.
  • the combination identifying unit 22 identifies, for each predicate term structure of the text H, a combination of the predicate term structure and a single predicate term structure of the text T. That is, in this case, combinations are identified by the number of predicate term structures of the text H.
  • the combination identifying unit 22 calculates the similarity for all possible pairs of each vector generated from the predicate term structure of the text H and each vector generated from the predicate structure of the text T. . Then, the combination identifying unit 22 identifies a pair whose similarity is equal to or higher than a threshold value or a pair having the highest similarity, and identifies two predicate term structures that are the creation sources of the identified pair.
  • the implication determining unit 23 calculates a feature amount based on a word (a predicate and a word serving as an argument thereof) other than a word indicating the type of the predicate argument in the predicate term structure.
  • examples of the feature amount include the degree of word coverage in the predicate term structure of the text T and the predicate term structure of the text H, and the degree of matching of words for only the word serving as an argument.
  • the implication determining unit 23 can determine that the text T implies the text H when, for example, a threshold value is set for the feature amount and the threshold value is equal to or greater than the set threshold value. Further, in this embodiment, the implication determining unit 23 can also perform determination using a structural feature of the predicate term structure in addition to the feature amount.
  • the implication determining unit 23 outputs the result of the implication determination to the output device 4.
  • the determination criterion in implication determination is not particularly limited, and a determination criterion conventionally used for implication determination can also be used.
  • FIG. 2 is a flowchart showing the operation of the implication determining apparatus in the embodiment of the present invention.
  • FIG. 1 is taken into consideration as appropriate.
  • the implication determination method is implemented by operating the implication determination apparatus 2. Therefore, the description of the implication determination method in the present embodiment is replaced with the following description of the operation of the implication determination device 2.
  • the predicate term structure analysis unit 20 receives the input of the text T and the text H from the input device 1 and extracts the predicate term structure from the text T and the text H that have received the input. (Step S1).
  • FIG. 3 is a diagram illustrating an example of a predicate term structure extracted from text.
  • the text T and the text H are illustrated, but the text T is two of the text T1 and the text T2.
  • the implication determining device 2 determines whether the text T1 implies the text H and whether the text T2 implies the text H. Is determined.
  • the predicate term structure analysis unit 20 indicates that the predicate is “approval” from the text “T1: Mr. B is approved as the president of Company A (Tokyo) by the general meeting of shareholders”. Then, “approval (subject: general meeting of shareholders, object: Mr. B, target: president of company A (Tokyo))” is extracted as the predicate term structure.
  • predicate term structure analysis unit 20 starts with the text “T2: Mr. B who lives in Tokyo as the president of company A”. , “In office (subject: Mr. B, goal: president of company A)” and “living (subject: Mr. B, location: Tokyo)” are extracted.
  • the predicate term structure analysis unit 20 starts with the predicate term structure from the text “H: B has become the president of company A in Tokyo.” And “Naru (subject: Mr. B, goal: president of company A in Tokyo)” and “A (subject: company A, location: Tokyo)” are extracted.
  • T1 implies H, but T2 is correct when it is determined that H is not implied. This is because the information that “Company A is in Tokyo” cannot be read from T2.
  • the vector generation unit 21 acquires the predicate term structure of each text extracted in step S1, and for each text, the predicate in the predicate term structure and the word serving as the argument of the predicate are components. (Hereinafter referred to as “predicate term structure vector”) is created (step S2).
  • FIG. 4 is a diagram showing a vector generated from the predicate term structure shown in FIG.
  • the vector generation unit 21 generates a predicate term structure vector using only content words such as a predicate and a word serving as an argument of the predicate.
  • the predicate term structure vector only needs to include a word other than a word indicating the type of argument of the predicate in the predicate term structure as a component.
  • the vector generation unit 21 extracts the predicate term structure “approved (subject: stock general meeting, object: Mr. B, target: president of company A (Tokyo)) extracted from T1. ”Is generated as a predicate term structure vector (approval, shareholder, general meeting, Mr. B, company A, Tokyo, president).
  • the vector generation unit 21 obtains (incumbent, Mr. B) from “incumbent (subject: Mr. B, target: president of company A)” and “dwell (subject: Mr. B, location: Tokyo)” extracted from T2. , Company A, President) and (Live, Mr. B, Tokyo).
  • the vector generation unit 21 is obtained from “Naru (subject: Mr. B, target: president of company A in Tokyo)” and “A (subject: company A, location: Tokyo)” extracted from H. , B, Tokyo, Company A, President) and (A Company, Tokyo).
  • the vector generation unit 21 uses arbitrary information that can be acquired from a term structure such as “predicate_argument type_word” (hereinafter referred to as “structure information”) as a predicate term structure vector. Can also be added.
  • structure information a term structure
  • the vector generation unit 21 may, for example, (approval, shareholder, general meeting, Mr. B, company A, Tokyo, president, predicate: approval, approval_subject_shareholder, approval_subject_general_general, approval_object_B A vector such as Mr., 7) can be generated.
  • the combination identification unit 22 calculates the similarity of each vector obtained from the predicate term structures of the text T1 and the text T2 with respect to each vector obtained from the predicate term structure of the text H, and based on the similarity.
  • a combination of predicate term structures is identified (step S3).
  • the combination identifying unit 22 identifies a vector pair whose similarity is equal to or greater than a threshold value or a vector pair having the highest similarity, and identifies two predicate term structures from which the identified pair is created.
  • the two predicate term structure vectors to be calculated are vectors whose dimension number is a value obtained by subtracting the number of common character strings from the total number of both character strings. Converted. At this time, the component in which the character string exists is “1”, and the component in which the character string does not exist is “0”.
  • the former is converted to (1, 1, 1, 0, 0, 0, 0), and the latter is converted to (0, 1, 1, 1, 1, 1, 1).
  • the weight value estimated by some method may be given to the component of each vector after conversion.
  • FIG. 5 is a diagram for explaining an example of a combination identification process executed in the present embodiment.
  • the similarity threshold is set to 0.5
  • the cosine similarity sim is calculated by the following formula 1.
  • x and y indicate two converted vectors to be calculated.
  • (x ⁇ y) represents the inner product of the vector x and the vector y
  • represents the length of the vector x
  • represents the length of the vector y.
  • T1 and H are objects of implication determination. Since T1 has only one predicate term structure, the combination of the predicate term structure of T1 and H's “subject (subject: Company A, location: Tokyo)”, and the predicate term structure of T1 and H The combination “Naru (subject: Mr. B, goal: president of company A in Tokyo)” is automatically identified.
  • the predicate term structure vector of T2 as “taken (subject: Mr. B, goal: president of company A)” Is calculated to be 0.617, and the similarity of the predicate term structure vector to “dwell (subject: Mr. B, place: Tokyo)” is set to 0.471.
  • the latter degree of similarity is below the threshold value, only “incumbent (subject: Mr. B, target: president of company A)” with the highest degree of similarity is identified as the predicate term structure to be determined.
  • the combination identification unit 22 refers to the inter-word collation rule stored in the inter-word collation rule storage unit 30 and matches two words defined in the inter-word collation rule. It is also possible to calculate the similarity degree.
  • the combination identifying unit 22 regards the verb and the noun as a matching word, and determines the similarity. Can be calculated. As a result, it is possible to identify the predicate term structure to be determined more appropriately without being bound by the predicate term structure.
  • the combination identification unit 22 stores the predicate term inter-structure matching rule storage unit 31 when the structure information described in the description of step S2 is added to the predicate term structure vector.
  • the combination identification unit 22 calculates similarity by regarding each argument of the two predicate term structures defined by the predicate term structure matching rule as a matching word.
  • the combination identifying unit 22 can also refer to the inter-word matching rule when determining whether the arguments match.
  • step S3 the combination identifying unit 22 performs normalization according to the amount of information included in each predicate term structure vector when calculating the similarity in order to identify a predicate term structure having no redundant information. Processing can also be executed. Examples of the amount of information included in the predicate term structure vector include the number of non-zero components of the vector, the weight of the component, and the like. Further, the similarity calculated after the normalization process is executed includes a cosine similarity, a jaccard coefficient, and the like.
  • the predicate structure “Presentation (subject: president, purpose: Mr. B will be the chairman)”
  • the “purpose” of the predicate term structure has a predicate term structure of “being (subject: Mr. B, goal: chairman)”. Therefore, using the number of shared words as the similarity, when trying to identify the determination target of the predicate term structure of “Naru (subject: Mr. B, goal: president)”, the similarity is 3 with the former, Two between the latter and the latter inherent in the former. As a result, when the word sharing number is used as the similarity, the former is easily selected as a determination target.
  • the former includes the word “President” although Mr. B does not mean “President”. Therefore, depending on the determination criteria in the implication determination unit 23 described later, “becomes (subject: Mr. B, target: president)” There is a possibility of making an implication determination that implies the former.
  • the implication determining unit 23 obtains a feature amount for each combination of each predicate structure on the H side and the predicate term structure to be determined on the T side, which is identified by the combination identifying unit 22 in step S3, and determines the feature amount. Based on this, it is determined whether T implies H (step S4). In the present embodiment, for example, the implication determining unit 23 calculates an implication score between T and H based on the obtained feature amount, and determines an implication if the implication score is a certain value or more.
  • the implication determination unit 23 determines the coverage of words between the predicate term structures based on words other than words indicating the types of predicate arguments in the predicate term structure (predicates and predicate argument words), Alternatively, the degree of matching of words only for the word as an argument is obtained as a feature amount. Further, the implication determining unit 23 can also obtain the feature amount by using one or both of the inter-word matching rule and the predicate term inter-structure matching rule, like the combination identifying unit 22.
  • FIG. 6 is a diagram for explaining an example of implication determination processing executed in the present embodiment.
  • the word coverage (coverage) between the predicate term structures is obtained as the feature amount.
  • the coverage is the number of components that match the predicate term structure vector of H and the predicate term structure vector of T1 or T2, and a coverage of all the components of the H predicate term structure vector.
  • the number is b, it is calculated by the following formula 2.
  • an average value of feature quantities calculated between T1 or T2 and H is calculated, and this average value is used as an implication score.
  • the implication score is 0.50 or more, it is determined as an implication.
  • the consensus score is 0.50 or more which is a threshold value, the implication determining unit 23 determines that “T1 implies H”.
  • the implication determination unit 23 determines that “T2 does not imply H”.
  • the implication determining unit 23 can also assign a weight to the feature amount based on the data obtained by machine learning when obtaining the feature amount. Specifically, when a large amount of combinations of two texts that can be determined as implications are learned by machine learning, the implication determination unit 23 corrects the calculated feature amount based on the learned data. Can do. Specific examples of machine learning include decision trees, perceptrons, support vector machines, and the like.
  • the implication determination unit 23 performs the implication determination using the feature amount obtained from the predicate included in the predicate term structure and the word as an argument for each combination.
  • the present embodiment is not limited to the above example.
  • the implication determining unit 23 can determine whether T implies H by using the structural features of the predicate term structure of each text in addition to the above feature amount.
  • structural features include presence / absence of information such as “denial” and “modality (guess, possible, etc.)” given to the predicate term structure, types of predicate arguments, and the like.
  • the implication determination unit 23 determines that the “Negation” is given to the T side, even if the coverage is high. Can be judged.
  • the structural feature of the predicate term structure is used. Even when implication determination is difficult, accurate implication determination is possible.
  • the implication determining unit 23 determines the structural similarity between the T predicate term structure and the H predicate term structure, It is also possible to make an implication determination by giving priority to one of the feature quantity and the structural feature.
  • structural similarity is specified based on, for example, the degree of similarity between predicates, or the degree of similarity of the types of arguments included in each predicate term structure.
  • the implication determination unit 23 performs the implication determination with priority on the feature amount.
  • the program in the present embodiment may be a program that causes a computer to execute steps S1 to S4 shown in FIG.
  • a CPU Central Processing Unit
  • a CPU Central Processing Unit
  • a storage device such as a hard disk provided in the computer can function as the storage device 3.
  • FIG. 7 is a block diagram illustrating an example of a computer that implements an implication determining apparatus according to an embodiment of the present invention.
  • the computer 110 includes a CPU 111, a main memory 112, a storage device 113, an input interface 114, a display controller 115, a data reader / writer 116, and a communication interface 117. These units are connected to each other via a bus 121 so that data communication is possible.
  • the CPU 111 performs various operations by developing the program (code) in the present embodiment stored in the storage device 113 in the main memory 112 and executing them in a predetermined order.
  • the main memory 112 is typically a volatile storage device such as a DRAM (Dynamic Random Access Memory).
  • the program in the present embodiment is provided in a state of being stored in a computer-readable recording medium 120. Note that the program in the present embodiment may be distributed on the Internet connected via the communication interface 117.
  • the storage device 113 include a semiconductor storage device such as a flash memory in addition to a hard disk.
  • the input interface 114 mediates data transmission between the CPU 111 and an input device 118 such as a keyboard and a mouse.
  • the display controller 115 is connected to the display device 119 and controls display on the display device 119.
  • the data reader / writer 116 mediates data transmission between the CPU 111 and the recording medium 120, and reads a program from the recording medium 120 and writes a processing result in the computer 110 to the recording medium 120.
  • the communication interface 117 mediates data transmission between the CPU 111 and another computer.
  • the recording medium 120 include general-purpose semiconductor storage devices such as CF (Compact Flash (registered trademark)) and SD (Secure Digital), magnetic storage media such as a flexible disk, or CD- Optical storage media such as ROM (Compact Disk Read Only Memory) are listed.
  • CF Compact Flash
  • SD Secure Digital
  • magnetic storage media such as a flexible disk
  • CD- Optical storage media such as ROM (Compact Disk Read Only Memory) are listed.
  • An apparatus for determining whether a first text implies a second text comprising: The predicate term structure of each of the first text and the second text is acquired, and for each of the first text and the second text, a predicate argument in the predicate term structure for each predescription term structure A vector generation unit that generates a vector using a word other than the word indicating the type of A vector generated for each preceding description term structure for the first text is compared with a vector generated for each preceding description term structure for the second text, and based on the result of the comparison, A combination identifying unit for identifying a combination of a predicate term structure of one text and a predicate term structure of the second text; For each of the identified combinations, a feature amount is obtained, and based on the obtained feature amount, an implication determination unit that determines whether the first text implies the second text, and A text entailment determination device characterized by comprising:
  • the predescription term structure includes a predicate included in the first text or the second text, a word serving as an argument of the predescription word, and a word indicating the type of the argument;
  • the vector generation unit generates the vector using a previous description word and a word that is an argument of the previous description word;
  • the text entailment determination device according to attachment 1.
  • the combination identification unit calculates a similarity between a vector generated for each preceding description term structure for the first text and a vector generated for each preceding description term structure for the second text. Identifying a combination of the predicate term structure of the first text and the predicate term structure of the second text based on the calculated similarity; The text entailment determination apparatus according to appendix 1 or 2.
  • the combination identification unit performs normalization processing according to the amount of information included in the vector when the similarity is calculated.
  • the text entailment determination device according to attachment 3.
  • the implication determination unit uses the predicate term structure of the first text and the second as the feature amount based on a word other than the word indicating the type of argument of the predicate in the predicate term structure. Finding either the word coverage degree or the word matching degree only for the word as the argument in the predicate term structure of the text of The text entailment determination device according to any one of appendices 1 to 4.
  • the implication determining unit determines whether the first text implies the second text by using a structural feature of the predescription term structure in addition to the feature amount;
  • the text entailment determination device according to attachment 5.
  • the implication determining unit determines the structural features of the feature quantity and the predescription term structure according to the structural similarity between the predicate term structure of the first text and the predicate term structure of the second text.
  • the text entailment determination device according to appendix 6, wherein the determination is performed with priority given to any one of the above.
  • Appendix 8 The text implication determination device according to any one of appendices 5 to 7, wherein the implication determination unit assigns a weight to the feature amount based on data obtained by machine learning when the feature amount is obtained.
  • a method for determining whether a first text implies a second text comprising: (A) Obtaining predicate term structures of the first text and the second text, respectively, and for each of the first text and the second text, for each predescription term structure, in the predicate term structure Generating a vector using a word other than the word indicating the type of argument of the predicate; (B) A vector generated for each preceding description term structure for the first text is compared with a vector generated for each preceding description term structure for the second text, and based on the result of the comparison Identifying a combination of a predicate term structure of the first text and a predicate term structure of the second text; (C) determining a feature value for each identified combination, and determining whether the first text implies the second text based on the determined feature value; A method for determining text entailment, comprising:
  • the predescription term structure includes a predicate included in the first text or the second text, a word serving as an argument of the predescription word, and a word indicating the type of the argument;
  • the vector is generated using a previous description word and a word serving as an argument of the previous description word.
  • step (b) the similarity between the vector generated for each preceding description term structure for the first text and the vector generated for each preceding description term structure for the second text is calculated. Calculating a combination of the predicate term structure of the first text and the predicate term structure of the second text based on the calculated similarity; The text entailment determination method according to appendix 9 or 10.
  • step (b) when the similarity is calculated, a normalization process is executed according to the amount of information included in the vector.
  • the predicate term structure of the first text and the feature text are based on a word other than the word indicating the type of argument of the predicate in the predescript term structure. Find either the word coverage in the predicate term structure of the second text or the word match for only the word that is the argument, The method for determining entailment of text according to any one of appendices 9 to 12.
  • step (c) in addition to the feature quantity, it is determined whether the first text implies the second text by using a structural feature of the predescription term structure.
  • step (c) In the step (c), according to the structural similarity between the predicate term structure of the first text and the predicate term structure of the second text, 15.
  • a computer-readable recording medium recording a program for determining whether or not a first text implies a second text by a computer, In the computer, (A) Obtaining predicate term structures of the first text and the second text, respectively, and for each of the first text and the second text, for each predescription term structure, in the predicate term structure Generating a vector using a word other than the word indicating the type of argument of the predicate; (B) A vector generated for each preceding description term structure for the first text is compared with a vector generated for each preceding description term structure for the second text, and based on the result of the comparison Identifying a combination of a predicate term structure of the first text and a predicate term structure of the second text; (C) determining a feature value for each identified combination, and determining whether the first text implies the second text based on the determined feature value; The computer-readable recording medium which records the program containing the instruction
  • the predescription term structure includes a predicate included in the first text or the second text, a word serving as an argument of the predescription word, and a word indicating the type of the argument;
  • the vector is generated using a previous description word and a word serving as an argument of the previous description word.
  • step (b) the similarity between the vector generated for each preceding description term structure for the first text and the vector generated for each preceding description term structure for the second text is calculated. Calculating a combination of the predicate term structure of the first text and the predicate term structure of the second text based on the calculated similarity;
  • the computer-readable recording medium according to appendix 17 or 18.
  • the predicate term structure of the first text and the feature text are based on a word other than the word indicating the type of argument of the predicate in the predescript term structure. Find either the word coverage in the predicate term structure of the second text or the word match for only the word that is the argument,
  • the computer-readable recording medium according to any one of appendices 17 to 20.
  • step (c) in addition to the feature quantity, it is determined whether the first text implies the second text by using a structural feature of the predescription term structure.
  • Appendix 24 The computer-readable information according to any one of appendices 21 to 23, wherein, in the step (c), when obtaining the feature amount, a weight is assigned to the feature amount based on data obtained by machine learning. recoding media.
  • the present invention is useful for applications such as semantic natural sentence retrieval in an information retrieval system.
  • the present invention is also useful for uses such as opinion clustering in text mining.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Character Discrimination (AREA)

Abstract

　テキスト含意判定装置２は、第１及び第２のテキストそれぞれについて、述語項構造毎に、当該述語項構造において述語の引数の種類を示す単語以外の単語を用いて、ベクトルを生成する、ベクトル生成部２１と、第１のテキストについて述語項構造毎に生成されたベクトルと、第２のテキストについて述語項構造毎に生成されたベクトルとを比較し、比較の結果に基づいて、第１のテキストの述語項構造と前記第２のテキストの述語項構造との組合せを同定する、組合せ同定部２２と、組合せ毎に、特徴量を求め、特徴量に基づいて、第１のテキストが第２のテキストを含意しているかどうかを判定する、含意判定部２３と、を備えている。

Description

テキスト含意判定装置、テキスト含意判定方法、及びコンピュータ読み取り可能な記録媒体
　本発明は、特定のテキストが他のテキストを含意しているかどうかを判定するための、テキスト含意判定装置、テキスト含意判定方法、及びこれらを実現するための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に関する。
　近年、意味を持った自然文の検索など、自然言語を扱う多くのアプリケーションにおいて、高度化を図るため、テキスト合意判定が着目されている。テキスト含意判定とは、テキストＴとテキストＨとが与えられた時に「テキストＴから、テキストＨが推測できるか」どうかを判定するタスクである。
　例えば、「テキストＴ:Ｎ社の利益は５００億である。」、及び「テキストＨ:Ｎ社は黒字である。」が与えられた場合、テキストＴからテキストＨが推測され、テキストＴはテキストＨを含意すると判定される。なぜならば「５００億の利益」は、「黒字」を意味するのに十分であると考えられるからである。
　例えば、非特許文献１は、従来からのテキスト含意判定システムの一例を開示している。非特許文献１に開示されたテキスト含意判定システムは、まず、テキストＴとテキストＨとをそれぞれ構文解析し、それぞれについて、動詞が根（最上位ノード）となり、且つ、動詞の引数（主語、目的語等）に含まれる単語が子ノード又は孫ノードとなる、木構造を作成する。
　次に、非特許文献１に開示された含意判定システムは、テキストＴに対して、単語の置換及び構文的な言い換えを行い、その部分木において、テキストＨの木構造と一致する木構造の作成を試みる。そして、上記含意判定システムは、テキストＴの部分木において、上記の木構造を作成できた場合は、含意と判定する。
　また、非特許文献１に開示された含意判定システムでは、木構造の一致判定を行う際に、完全一致かどうかの一致判定だけでなく、近似的な一致判定も行うことができる。具体的には、上記含意判定システムは、上述した木構造を作成した後、作成した木構造から、ＶＡＳ（Verb-Argument Structure）と呼ばれるデータを作成する。
　ＶＡＳは、いわゆる述語項構造の一種であり、木構造の根の動詞と、引数の種類毎に区別して作成した単語集合とから構成される。例えば、非特許文献１では、「Casey Sheehan was killed in Iraq.」という文から、「<kill, （object: Casey, Sheehan）, （other: Iraq）>」というＶＡＳが生成されている。また、非特許文献１には、根がｂｅ動詞である場合に、引数の種類を区別せずに、子ノード及び孫ノードの全体から単語集合を作成する方法も開示されている。
　そして、非特許文献１に開示された含意判定システムは、テキストＴとテキストＨとから作成された２つのＶＡＳを対象に、同じ引数の単語集合間についての単語被覆率を求める。続いて、上記含意判定システムは、前記単語被覆率が一定以上の場合にその２つのＶＡＳの引数の内容が一致していると判定し、更に、一致する引数が一定割合以上である場合に２つのＶＡＳの元の木構造同士も一致すると判断する。このように、ＶＡＳが生成される場合は、動詞の引数の文字列の完全一致だけではなく、近似的な一致も判定される。
Asher Stern et al., "Rule Chaining and Approximate Match in textual inference", Text Analysis Conference 2010, (Online Proceeding), http://www.nist.gov/tac/publications/2010/participant.papers/BIU.proceedings.pdf
　このように、上述した非特許文献１に開示された含意判定システムは、２つの自然文を対象として、一方が他方を含意しているかどうかを判定できるため、自然文の検索などを可能にすることができると考えられる。
　しかしながら、上述した非特許文献１に開示された含意判定システムには、述語間の項構造が異なる場合に、含意判定を行なうことができない、という問題がある。これは、当該含意判定システムでは、述語間の項構造が同じであると仮定して、テキスト間の照合が試みられているためである。
　例えば、「テキストＴ:Ａ社がパソコン事業から撤退した。」と、「テキストＨ:Ａ社のパソコンが消える。」とが存在しているとする。上述した非特許文献１に開示された含意判定システムは、ＶＡＳとして、テキストＴから「撤退（主語:Ａ社，目的語:パソコン，事業）」を抽出し、テキストＨから「消える（主語:Ａ社，の，パソコン）」を抽出する。
　このようなＶＡＳが抽出された場合、「撤退」と「消える」とは、動詞として異なっているため、上述した非特許文献１に開示された含意判定システムでは、テキストＴがテキストＨを含意しているにも拘わらず、含意していると判定されない結果となる。
　更に、当該含意判定システムにおいて、仮に、上記の場合に動詞間を同一視するように設定したとしても、「消える」の主語と、「撤退」の主語及び目的語とが異なるため、この場合も、含意していると判定されない結果となる。
［発明の目的］
　本発明の目的の一例は、上記問題を解消し、判定対象となる複数のテキストにおいて、述語間の項構造が異なる場合であっても、これらの含意判定を可能にし得る、テキスト含意判定装置、テキスト合意判定方法、及びコンピュータ読み取り可能な記録媒体を提供することにある。
　上記目的を達成するため、本発明の一側面における含意判定装置は、第１のテキストが第２のテキストを含意しているかどうかを判定するための装置であって、
　前記第１のテキスト及び前記第２のテキストそれぞれの述語項構造を取得し、前記第１のテキスト及び前記第２のテキストそれぞれについて、前記述語項構造毎に、当該述語項構造において述語の引数の種類を示す単語以外の単語を用いて、ベクトルを生成する、ベクトル生成部と、
　前記第１のテキストについて前記述語項構造毎に生成されたベクトルと、前記第２のテキストについて前記述語項構造毎に生成されたベクトルとを比較し、比較の結果に基づいて、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との組合せを同定する、組合せ同定部と、
　同定された前記組合せ毎に、特徴量を求め、求めた前記特徴量に基づいて、前記第１のテキストが前記第２のテキストを含意しているかどうかを判定する、含意判定部と、
を備えていることを特徴とする。
　また、上記目的を達成するため、本発明の一側面における含意判定方法は、第１のテキストが第２のテキストを含意しているかどうかを判定するための方法であって、
（ａ）前記第１のテキスト及び前記第２のテキストそれぞれの述語項構造を取得し、前記第１のテキスト及び前記第２のテキストそれぞれについて、前記述語項構造毎に、当該述語項構造において述語の引数の種類を示す単語以外の単語を用いて、ベクトルを生成する、ステップと、
（ｂ）前記第１のテキストについて前記述語項構造毎に生成されたベクトルと、前記第２のテキストについて前記述語項構造毎に生成されたベクトルとを比較し、比較の結果に基づいて、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との組合せを同定する、ステップと、
（ｃ）同定された前記組合せ毎に、特徴量を求め、求めた前記特徴量に基づいて、前記第１のテキストが前記第２のテキストを含意しているかどうかを判定する、ステップと、
を有することを特徴とする。
　更に、上記目的を達成するため、本発明の一側面におけるコンピュータ読み取り可能な記録媒体は、コンピュータによって、第１のテキストが第２のテキストを含意しているかどうかを判定するための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、
前記コンピュータに、
（ａ）前記第１のテキスト及び前記第２のテキストそれぞれの述語項構造を取得し、前記第１のテキスト及び前記第２のテキストそれぞれについて、前記述語項構造毎に、当該述語項構造において述語の引数の種類を示す単語以外の単語を用いて、ベクトルを生成する、ステップと、
（ｂ）前記第１のテキストについて前記述語項構造毎に生成されたベクトルと、前記第２のテキストについて前記述語項構造毎に生成されたベクトルとを比較し、比較の結果に基づいて、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との組合せを同定する、ステップと、
（ｃ）同定された前記組合せ毎に、特徴量を求め、求めた前記特徴量に基づいて、前記第１のテキストが前記第２のテキストを含意しているかどうかを判定する、ステップと、
を実行させる、命令を含むプログラムを記録していることを特徴とする。
　以上のように、本発明によれば、判定対象となる複数のテキストにおいて、述語間の項構造が異なる場合であっても、これらの含意判定を可能にすることができる。
図１は、本発明の実施の形態における含意判定装置の構成を示すブロック図である。 図２は、本発明の実施の形態における含意判定装置の動作を示すフロー図である。 図３は、テキストから抽出された述語項構造の一例を示す図である。 図４は、図３に示した述語項構造から生成されたベクトルを示す図である。 図５は、本実施の形態で実行される組合せの同定処理の一例を説明する図である。 図６は、本実施の形態で実行される含意判定処理の一例を説明する図である。 図７は、本発明の実施の形態における含意判定装置を実現するコンピュータの一例を示すブロック図である。
（実施の形態）
　以下、本発明の実施の形態における、含意判定装置、含意判定方法、及びプログラムについて、図１～図７を参照しながら説明する。
［装置構成］
　最初に、本実施の形態における含意判定装置の構成について図１を用いて説明する。図１は、本発明の実施の形態における含意判定装置の構成を示すブロック図である。
　図１に示す、本実施の形態における含意判定装置２は、第１のテキストが第２のテキストを含意しているかどうかを判定するための装置である。また、図１に示すように、含意判定装置２は、ベクトル生成部２１と、組合せ同定部２２と、含意判定部２３とを備えている。
　このうち、ベクトル生成部２１は、まず、第１のテキスト及び第２のテキストそれぞれの述語項構造を取得する。そして、ベクトル生成部２１は、第１のテキスト及び第２のテキストそれぞれについて、述語項構造毎に、当該述語項構造において述語の引数の種類を示す単語以外の単語を用いて、ベクトルを生成する。
　組合せ同定部２２は、第１のテキストについて述語項構造毎に生成されたベクトルと、第２のテキストについて述語項構造毎に生成されたベクトルとを比較し、比較の結果に基づいて、第１のテキストの述語項構造と第２のテキストの述語項構造との組合せを同定する。
　含意判定部２３は、同定された組合せ毎に、特徴量を算出し、算出された特徴量に基づいて、第１のテキストが第２のテキストを含意しているかどうかを判定する。
　このように、含意判定装置２では、項構造を無視したベクトルの比較結果から、判定対象とすべき述語項構造の組合せが同定され、同定された組合せを元にテキスト間の含意が判断される。従って、含意判定装置２によれば、判定対象となる複数のテキストにおいて、述語間の項構造が異なる場合であっても、これらの含意判定が可能となる。
　続いて、本実施の形態における含意判定装置２の構成について更に具体的説明する。まず、本実施の形態において、含意判定装置２は、プログラム制御によって動作する装置であり、後述のプログラムをコンピュータ上で実行することによって実現される。
　また、本実施の形態において、「述語項構造」は、テキストに含まれる述語（動詞）、当該述語の引数となる単語、及び引数の種類を示す単語（ラベル）、を少なくとも含む（後述の図３参照）。従って、本実施の形態では、「述語項構造において述語の引数の種類を示す単語以外の単語」とは、述語（動詞）、及び引数となる単語を意味する。
　また、図１に示すように、本実施の形態では、含意判定装置２には、入力装置１と、含意判定装置２で使用される各種データを記憶する記憶装置３と、結果を出力するための出力装置４とが、接続されている。含意判定装置２は、入力装置１、記憶装置３、及び出力装置４と共に、含意判定システムを構築している。
　入力装置１は、含意判定装置２による含意判定の対象となる２つのテキスト、即ち、第１のテキストと第２のテキストとを、含意判定装置２に入力する。なお、以降においては、第１のテキストを「テキストＴ」または単に「Ｔ」と表記し、第２のテキストを「テキストＨ」または単に「Ｈ」と表記することがある。
　本実施の形態において、含意判定の対象となるテキストＴ及びテキストＨは、何らかの方法で定められた任意の単位のテキストであれば良い。含意判定の対象となるテキストＴ及びテキストＨとしては、例えば、テキストファイルを構成している全部又は一部のテキスト、構文解析で得られた任意の部分木に含まれる文字列を連結して作成されたテキスト、述語項構造内の文字列を連結して作成されたテキストなどが挙げられる。
　出力装置４は、含意判定装置２が入力装置１から入力されたテキストＴ及びテキストＨに対して行なった、含意判定の結果を、出力する。出力装置４の具体例としては、表示装置、プリンタなどが挙げられる。
　記憶装置３は、単語間照合規則記憶部３０と、述語項構造間照合規則記憶部３１とを備えている。本実施の形態では、含意判定装置２は、記憶装置３に記憶されている情報を利用できるため、記憶装置３が接続されていない場合に比べて、含意判定の精度の向上を図ることができる。
　単語間照合規則記憶部３０は、同義、下位、部分、派生など単語間に成り立つ含意規則（単語間照合規則）を記憶している。例えば、単語間照合規則としては、「日本電気→ＮＥＣ」、「走る→動く」、「東京→日本」、「メーカー→製造する」、などが挙げられる。
　述語項構造間照合規則記憶部３１は、含意判定時に照合すべき述語項構造間の引数の関係（述語項構造間照合規則）を記憶している。例えば、述語項構造間照合規則としては、「撤退する（主語：Ｘ，目的語：Ｙ）→消える（主語：ＸのＹ）」、「殺す（目的語：Ｘ）→死ぬ（主語：Ｘ）」などが挙げられる。
　含意判定装置２は、本実施の形態では、上述した、ベクトル生成部２１、組合せ同定部２２、及び含意判定部２３に加えて、述語項構造解析部２０を備えている。述語項構造解析部２０は、入力装置１によって入力されたテキストに対して構造解析を行ない、構造解析の結果に基づいて、各テキストから述語項構造を抽出する。また、述語項構造解析部２０は、抽出した述語構造を、ベクトル生成部２１に出力する。
　ベクトル生成部２１は、本実施の形態では、上述したように、述語項構造において述語の引数の種類を示す単語以外の単語、即ち、述語と、述語の引数となる単語とを取り出し、これらを用いて、ベクトルを生成する。また、ベクトル生成部２１は、各テキストの述語項構造毎に、即ち、各テキストが複数の述語構造を有する場合は各述語構造について、ベクトルを生成する。ベクトル生成部２１は、生成したベクトルを、組合せ同定部２２に出力する。
　組合せ同定部２２は、本実施の形態では、単語間照合規則記憶部３０及び述語項構造間照合規則記憶部３１それぞれから、照合規則を読み込み、照合規則を参照して、組合せを同定することができる。更に、組合せ同定部２２は、同定した組合せを含意判定部２３に出力する。
　また、組合せ同定部２２は、本実施の形態では、テキストＴについて述語項構造毎に生成されたベクトルと、テキストＨについて述語項構造毎に生成されたベクトルと、の類似度を算出する。そして、組合せ同定部２２は、算出した類似度に基づいて、テキストＴの述語項構造とテキストＨの述語項構造との組合せを同定する。
　具体的には、例えば、テキストＴが単一の述語構造しか有していないとする。この場合、組合せ同定部２２は、テキストＨの述語項構造毎に、当該述語項構造とテキストＴの単一の述語項構造との組合せを同定する。即ち、この場合は、テキストＨの述語項構造の数だけ、組合せが同定されることになる。
　一方、テキストＴが複数の述語項構造を有しているとする。この場合、組合せ同定部２２は、テキストＨの述語項構造から生成された各ベクトルと、テキストＴの述語構造から生成された各ベクトルとの、想定される全てのペアについて、類似度を算出する。そして、組合せ同定部２２は、類似度が閾値以上となるペア、又は類似度が最も高いペアを特定し、特定したペアの作成元の２つの述語項構造を同定する。
　含意判定部２３は、本実施の形態では、述語項構造において述語の引数の種類を示す単語以外の単語（述語及びその引数となる単語）に基づいて、特徴量を算出する。また、特徴量としては、テキストＴの述語項構造とテキストＨの述語項構造とにおける、単語の被覆度合い、及び引数となる単語のみを対象とした単語の一致度合いなどが挙げられる。
　また、含意判定部２３は、例えば、特徴量に閾値を設定し、設定した閾値以上となる場合に、テキストＴがテキストＨを含意していると判定することができる。更に、含意判定部２３は、本実施の形態では、特徴量に加えて、述語項構造の構造的な特徴を用いて判定を行なうこともできる。
　その後、含意判定部２３は、含意判定の結果を、出力装置４に出力する。なお、本実施の形態では、含意判定における判定基準は、特に限定されるものではなく、従来から含意判定に用いられている判定基準を利用することもできる。
［装置動作］
　次に、本発明の実施の形態における含意判定装置２の動作について図２を用いて説明する。図２は、本発明の実施の形態における含意判定装置の動作を示すフロー図である。以下の説明においては、適宜図１を参酌する。また、本実施の形態では、含意判定装置２を動作させることによって、含意判定方法が実施される。よって、本実施の形態における含意判定方法の説明は、以下の含意判定装置２の動作説明に代える。
［述語項構造の抽出処理］
　最初に、図２に示すように、述語項構造解析部２０が、入力装置１から、テキストＴとテキストＨとの入力を受付け、入力を受付けたテキストＴ及びテキストＨから述語項構造を抽出する（ステップＳ１）。
　ここで、述語項構造の具体例について図３を用いて説明する。図３は、テキストから抽出された述語項構造の一例を示す図である。図３の例では、テキストＴ及びテキストＨが例示されているが、テキストＴは、テキストＴ１とテキストＴ２との２つである。図３に示すテキストＴ１及びＴ２と、テキストＨとが入力されると、含意判定装置２では、テキストＴ１がテキストＨを含意しているかどうか、及びテキストＴ２がテキストＨを含意しているかどうか、が判定される。
　また、図３の例では、述語項構造解析部２０は、テキスト「Ｔ１:株主総会によってＡ社（東京）の社長としてＢ氏が承認された。」からは、述語が「承認」であるため、述語項構造として、「承認（主語：株主総会，目的語：Ｂ氏，目標：Ａ社（東京）の社長）」を抽出する。
　更に、述語項構造解析部２０は、テキスト「Ｔ２：Ａ社の社長に東京に住むＢ氏が就任した。」からは、述語が「就任」と「住む」とであるため、述語項構造として、「就任（主語：Ｂ氏，目標：Ａ社の社長）」と、「住む（主語：Ｂ氏，場所：東京）」とを抽出する。
　また、述語項構造解析部２０は、テキスト「Ｈ：Ｂ氏が東京にあるＡ社の社長になった。」からは、述語が「なる」と「ある」とであることから、述語項構造として、「なる（主語：Ｂ氏，目標：東京にあるＡ社の社長）」と、「ある（主語：Ａ社，場所：東京）」とを抽出する。
　なお、図３の例では、Ｔ１はＨを含意しているが、Ｔ２はＨを含意していない、と判定された場合に正解となる。これは、Ｔ２からは「Ａ社が東京にある」という情報が読み取れないためである。
［述語項構造ベクトルの生成処理］
　次に、ベクトル生成部２１は、ステップＳ１で抽出された各テキストの述語項構造を取得し、各テキストについて、述語項構造毎に、述語項構造中の述語及び述語の引数となる単語が成分となるベクトル（以下「述語項構造ベクトル」と表記する。）を作成する（ステップＳ２）。
　図４は、図３に示した述語項構造から生成されたベクトルを示す図である。図４に示すように、ベクトル生成部２１は、述語及び述語の引数となる単語といった内容語のみを用いて、述語項構造ベクトルを生成する。本実施の形態においては、述語項構造ベクトルは、述語項構造において述語の引数の種類を示す単語以外の単語を成分として含んでいれば良い。
　具体的には、図４に示すように、ベクトル生成部２１は、Ｔ１から抽出された述語項構造「承認（主語：株式総会，目的語：Ｂ氏，目標：Ａ社（東京）の社長）」から、述語項構造ベクトルとして（承認，株主，総会，Ｂ氏，Ａ社，東京，社長）を生成する。
　また、ベクトル生成部２１は、Ｔ２から抽出された「就任（主語：Ｂ氏，目標：Ａ社の社長）」及び「住む（主語：Ｂ氏，場所：東京）」から、（就任，Ｂ氏，Ａ社，社長）と（住む，Ｂ氏，東京）とを生成する。
　更に、ベクトル生成部２１は、Ｈから抽出された「なる（主語：Ｂ氏，目標：東京にあるＡ社の社長）」及び「ある（主語：Ａ社，場所：東京）」から、（なる，Ｂ氏，東京，Ａ社，社長）と（ある，Ａ社，東京）とを生成する。
　また、本実施の形態では、ベクトル生成部２１は、例えば「述語_引数の種類_単語」など項構造から取得できる任意の情報（以下「構造情報」と表記する。）を、述語項構造ベクトルに付加することもできる。この場合、ベクトル生成部２１は、例えば、（承認，株主，総会，Ｂ氏，Ａ社，東京，社長，述語：承認，承認_主語_株主，承認_主語_総会, 承認_目的語_Ｂ氏, ...）といったベクトルを生成することができる。
［述語項構造の組合せの同定処理］
　次に、組合せ同定部２２は、テキストＨの述語項構造から得られた各ベクトルに対する、テキストＴ１及びテキストＴ２それぞれの述語項構造から得られた各ベクトルの類似度を計算し、類似度に基づいて、述語項構造の組合せを同定する（ステップＳ３）。例えば、組合せ同定部２２は、類似度が閾値以上となるベクトルのペア、又は類似度が最も高いベクトルのペアを特定し、特定したペアの作成元の２つの述語項構造を同定する。
　また、類似度の算出に際して、算出対象となる２つの述語項構造ベクトルは、両者の文字列の数の合計値から共通の文字列の数を減算して得られる値を次元数とするベクトルに変換される。このとき、文字列が存在する成分は「１」とされ、文字列が存在しない成分は「０」とされる。
　例えば、テキストＴ２の（住む，Ｂ氏，東京）と、テキストＨの（なる，Ｂ氏，東京，Ａ社，ある，社長）を例に挙げる。この場合、次元数は、７（＝３＋６－２）となる。また、前者は（１，１，１，０，０，０，０）に変換され、後者は（０，１，１，１，１，１，１）に変換される。また、変換後の各ベクトルの成分には、何らかの方法で推定した重みの値が付与されていても良い。
　ここで、図５を用いて、ステップＳ３の処理の具体例を説明する。図５は、本実施の形態で実行される組合せの同定処理の一例を説明する図である。図５の例では、類似度の閾値は０．５に設定され、下記の数１によってコサイン類似度ｓｉｍが算出される。また、下記の数１において、ｘ、ｙは、算出対象となる２つの変換後のベクトルを示している。更に、下記の数１において、（ｘ・ｙ）はベクトルｘとベクトルｙとの内積を示し、|ｘ｜はベクトルｘの長さを示し、｜ｙ｜はベクトルｙの長さを示す。
（数１）
　ｓｉｍ＝（ｘ・ｙ）／(｜ｘ｜｜ｙ｜)
　図５に示すように、まず、Ｔ１とＨとが含意判定の対象であるとする。Ｔ１は述語項構造を一つしか有していないので、Ｔ１の述語項構造とＨの「ある（主語：Ａ社，場所：東京）」との組合せと、同じくＴ１の述語項構造とＨの「なる（主語：Ｂ氏，目標：東京にあるＡ社の社長）」との組合せとが自動的に同定される。
　一方、Ｔ２とＨとが含意判定の対象であるとすると、想定される全てのベクトルのペアについて類似度が算出される。上記数１から、Ｈの「ある（主語：Ａ社，場所：東京）」と、Ｔ２の「住む（主語：Ｂ氏，場所：東京）」との述語項構造ベクトルの類似度は、０．３３３と算出される。また、Ｈの「ある（主語：Ａ社，場所：東京）」と、Ｔ２の「就任（主語：Ｂ氏，目標：Ａ社の社長）」との述語項構造ベクトルの類似度は、０．２８９と算出される。
　この場合、どちらの類似度も閾値を超えていないが、Ｈの「ある（主語：Ａ社，場所：東京）」については、類似度が最大となる「住む（主語：Ｂ氏，場所：東京）」が判定すべき述語項構造として同定される。
　同様に、Ｈの「なる（主語：Ｂ氏，目標：東京にあるＡ社の社長）」では、Ｔ２の「就任（主語：Ｂ氏，目標：Ａ社の社長）」との述語項構造ベクトルの類似度が０．６１７と算出され、「住む（主語：Ｂ氏，場所：東京）」との述語項構造ベクトルの類似度が０．４７１とされる。この場合、後者の類似度は、閾値を下回るため、類似度が最大となる「就任（主語：Ｂ氏，目標：Ａ社の社長）」のみが、判定すべき述語項構造として同定される。
　また、本実施の形態では、組合せ同定部２２は、単語間照合規則記憶部３０に記憶されている単語間照合規則を参照し、単語間照合規則で定義されている２つの単語を一致していると見なして類似度を計算することもできる。
　例えば、単語間照合規則において、派生の関係にある動詞と名詞とが既定されている場合であれば、組合せ同定部２２は、この動詞と名詞とを一致している単語と見なして類似度を計算することができる。この結果、述語項構造にとらわれることなく、より適切に判定すべき述語項構造の同定が可能になる。
　更に、本実施の形態では、組合せ同定部２２は、ステップＳ２の説明で述べた構造情報が述語項構造ベクトルに付加されている場合は、述語項構造間照合規則記憶部３１に記憶されている述語項構造間照合規則を参照する。そして、この場合、組合せ同定部２２は、述語項構造照合規則で定義されている２つの述語項構造それぞれの引数を一致している単語と見なして類似度を計算する。また、この場合、組合せ同定部２２は、引数の一致を判断する際に、単語間照合規則を参照することもできる。
　また、ステップＳ３では、組合せ同定部２２は、冗長な情報を持たない述語項構造を同定するために、類似度の算出の際に、各述語項構造ベクトルの有する情報の量に応じて正規化処理を実行することもできる。また、述語項構造ベクトルの有する情報の量としては、例えば、ベクトルの０（ゼロ）でない成分の数、成分の重みなどが挙げられる。更に、正規化処理が実行された上で算出される類似度としては、コサイン類似度、ジャッカード（jaccard）係数などが挙げられる。
　例えば、「発表（主語：社長，目的：Ｂ氏が会長になること）」という述語項構造を考える。この場合、述語項構造の「目的」には、「なる（主語：Ｂ氏，目標：会長）」という述語項構造が内在している。よって、単語共有数を類似度として用いて、「なる（主語：Ｂ氏，目標：社長）」という述語項構造の判定対象を同定しようとすると、類似度は前者との間では３個となり、前者に内在する後者との間では２個となる。この結果、単語共有数を類似度として用いた場合は、前者が判定対象として選ばれやすくなる。
　しかし、前者は、Ｂ氏が社長という意味ではないものの、「社長」という単語を含むため、後述する含意判定部２３における判定基準によっては、「なる（主語：Ｂ氏，目標：社長）」は前者を含意する、という誤った含意判定がなされる可能性がある。
　よって、例えば、２つの述語項構造ベクトルそれぞれの単語数のうち、多い方の単語数で、各述語項構造ベクトルの単語共有数を除算して、正規化することが考えられる。この場合、前者の類似度は０．６（＝３／５）となり、後者の類似度は０．６６（＝２／３）となり、後者が判定対象として選ばれやすくなる。
　このように、類似度の算出の際に上述した正規化処理を実行すれば、冗長な情報を持たない述語項構造が選択されやすくなる。このため、誤った含意判定がなされる可能性が低減される。
［含意判定処理］
　最後に、含意判定部２３は、ステップＳ３で組合せ同定部２２が同定した、Ｈ側の各述語構造とＴ側の判定対象の述語項構造との各組合せについて、特徴量を求め、特徴量に基づいて、ＴがＨを含意しているかどうかを判定する（ステップＳ４）。また、本実施の形態では、含意判定部２３は、例えば、求めた特徴量に基づいて、ＴとＨとの含意スコアを計算し、含意スコアが一定値以上であれば含意と判定する。
　具体的には、含意判定部２３は、述語項構造において述語の引数の種類を示す単語以外の単語（述語及び述語の引数となる単語）に基づき、述語項構造間における、単語の被覆度合い、又は引数となる単語のみを対象とした単語の一致度合いを特徴量として求める。更に、含意判定部２３は、組合せ同定部２２と同様に、単語間照合規則及び述語項構造間照合規則の一方又は両方を用いて、特徴量を求めることもできる。
　ここで、図６を用いて、ステップＳ４の処理の具体例を説明する。図６は、本実施の形態で実行される含意判定処理の一例を説明する図である。図６の例では、特徴量として、述語項構造間における単語の被覆度合い（被覆率）が求められる。具体的には、被覆率は、同定された組合せにおいて、Ｈの述語項構造ベクトルとＴ１又はＴ２の述語項構造ベクトルとの一致する成分の個数をａ、Ｈの述語項構造ベクトルの全成分の個数をｂとすると、下記の数２によって算出される。
（数２）
　被覆率＝ａ／ｂ
　更に、図６の例では、Ｔ１又はＴ２とＨとの間で算出された特徴量の平均値が計算され、この平均値が含意スコアとして用いられる。そして、含意スコアが０．５０以上の場合に、含意と判定される。
　図６に示すように、Ｔ１とＨとの含意判定において、Ｈの「ある（主語:Ａ社，場所:東京）」と、Ｔ１の「承認（主語：株主総会，目的語：Ｂ氏，目標：Ａ社（東京）の社長）」とでは、上記数２から、被覆率は、０．６６（＝２／３）となる。
　また、Ｈの「なる（主語：Ｂ氏，目標：東京にあるＡ社の社長）」と、Ｔ１の「承認（主語：株主総会，目的語：Ｂ氏，目標：Ａ社（東京）の社長）」とでは、上記数２から、被覆率は、０．６６（＝４／６）となる。
　従って、Ｔ１とＨとの含意スコアは、０．６６（＝（０．６６+０．６６）／２）となる。結果、合意スコアは、閾値である０．５０以上となるため、含意判定部２３は、「Ｔ１はＨを含意する」と判定する。
　一方、Ｔ２とＨとの含意判定において、Ｈの「ある（主語：Ａ社，場所：東京）」と、Ｔ２の「住む（主語：Ｂ氏，場所：東京）」とでは、上記数２から、被覆率は、０．３３＝（１／３）となる。
　また、Ｈの「なる（主語：Ｂ氏，目標：東京にあるＡ社の社長）」と、Ｔ２の「就任（主語：Ｂ氏，目標：Ａ社の社長）」とでは、上記数２から、被覆率は、０．５（＝３／６）となる。
　従って、Ｔ２とＨとの含意スコアは、０．４１５（＝（０．３３+０．５）／２）となる。結果、含意スコアは、閾値である０．５０以下であるため、含意判定部２３は、「Ｔ２はＨを含意しない」と判定する。
　更に、本実施の形態では、含意判定部２３は、特徴量を求める際に、機械学習によって得られたデータに基づいて、特徴量に重みを付与することもできる。具体的には、機械学習によって、含意と判定できる２つのテキストの組合せが大量に学習されている場合、含意判定部２３は、学習されたデータに基づいて、算出された特徴量を補正することができる。また、機械学習の具体例としては、例えば、決定木、パーセプトロン、サポートベクトルマシンなどが挙げられる。
　ところで、上述の図６に示す例では、含意判定部２３は、組合せ毎に、述語項構造に含まれる述語と引数となる単語とから求めた特徴量を用いて、含意判定を行なっているが、本実施の形態は、上記の例に限定されるものではない。
　本実施の形態では、含意判定部２３は、上記特徴量に加えて、各テキストの述語項構造の構造的な特徴を用いて、ＴがＨを含意しているかどうかを判定することができる。ここで、構造的な特徴としては、述語項構造に付与される、「否定」、「様相（推測，可能など）」といった情報の有無、述語の引数の種類、などが挙げられる。
　具体的には、Ｔ１の「承認された」が仮に「承認されなかった」であるとすると、述語項構造には、情報として「否定」が付与される。この場合、Ｈ側に「否定」が付与されていないとすると、含意判定部２３は、Ｔ側に「否定」が付与されている、ということに基づいて、被覆率が高い場合でも非含意と判定できる。
　このように、本実施の形態では、含意判定において、述語と述語の引数となる単語とから求めた特徴量に加えて、述語項構造の構造的な特徴が用いられるので、どちらか一方だけでは含意判定が困難な場合であっても、正確な含意判定が可能となる。
　更に、含意判定部２３は、特徴量に加えて、述語項構造の構造的な特徴が用いられる場合は、Ｔの述語項構造とＨの述語項構造との構造的な類似性に応じて、特徴量及び構造的な特徴のいずれか一方を優先して含意判定を行なうこともできる。ここで、「構造的な類似性」は、例えば、述語同士の類似の度合に基づいて、又は、各述語項構造に含まれる引数の種類の類似の度合いに基づいて特定される。
　例えば、「である（主語：Ａ氏，目標：東京の議員）」と、「当選（主語：Ａ氏，目的語：議員，場所：東京）」とを比較対象とすると、この場合、両者間の構造的な類似性は低いので、述語項構造の構造的な特徴は、含意判定において有効でない。よって、含意判定部２３は、特徴量を優先して含意判定を実行する。
　一方、例えば、「説得（主語：Ａ氏，目的語：Ｂ氏）」と、「説明（主語：Ｂ氏，目的語：Ａ氏）」とを比較対象とすると、この場合、両者間の構造的な類似性は高いので、述語項構造の構造的な特徴は、含意判定において有効となる。また、この例では、上述した特徴量だけで判定が行なわれると、含意と判定される可能性が高いが、引数の種類と引数となる単語との組合せなど、構造的な特徴は一つも一致しないので、実際には非含意である。従って、この例では、含意判定部２３は、構造的な特徴を優先して含意判定を実行する。
［実施の形態による効果］
　ここで、単純に、テキスト中の単語集合の被覆率を、含意スコアとして、含意判定を行なう場合について検討する。図３の例を挙げると、Ｔ１及びＴ２は、共に、Ｈの６個の内容語のうち４単語（Ａ社，Ｂ氏，東京，社長）を含んでいる。よって、Ｈを基準とした被覆率は、共に、０．６６（＝４／６）となる。これは、含意、非含意を区別できないことを意味する。
　これに対して、本実施の形態では、項構造を無視したベクトルの比較結果から、判定対象とすべき述語項構造の組合せが同定され、同定された組合せを元にテキスト間の含意が判断される。よって、図６を用いてステップＳ６で述べたように、Ｔ１はＨを含意し、Ｔ２はＨを含意しないと判定される。本実施の形態によれば、述語間の項構造が異なる場合であっても、これらの含意判定が可能となる。
［プログラム］
　本実施の形態におけるプログラムは、コンピュータに、図２に示すステップＳ１～Ｓ４を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態における含意判定装置２と含意判定方法とを実現することができる。この場合、コンピュータのＣＰＵ（Central Processing Unit）は、述語項構造解析部２０、ベクトル生成部２１、組合せ同定部２２、含意判定部２３として機能し、処理を行なう。また、本実施の形態では、コンピュータに備えられたハードディスク等の記憶装置が、記憶装置３として機能することができる。
　ここで、本実施の形態におけるプログラムを実行することによって、含意判定装置２を実現するコンピュータについて図７を用いて説明する。図７は、本発明の実施の形態における含意判定装置を実現するコンピュータの一例を示すブロック図である。
　図７に示すように、コンピュータ１１０は、ＣＰＵ１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。
　ＣＰＵ１１１は、記憶装置１１３に格納された、本実施の形態におけるプログラム（コード）をメインメモリ１１２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。また、本実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであっても良い。
　また、記憶装置１１３の具体例としては、ハードディスクの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。
　また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記憶媒体、又はＣＤ－ＲＯＭ（Compact Disk Read Only Memory）などの光学記憶媒体が挙げられる。
　上述した実施の形態の一部又は全部は、以下に記載する（付記１）～（付記２４）によって表現することができるが、以下の記載に限定されるものではない。
（付記１）
　第１のテキストが第２のテキストを含意しているかどうかを判定するための装置であって、
　前記第１のテキスト及び前記第２のテキストそれぞれの述語項構造を取得し、前記第１のテキスト及び前記第２のテキストそれぞれについて、前記述語項構造毎に、当該述語項構造において述語の引数の種類を示す単語以外の単語を用いて、ベクトルを生成する、ベクトル生成部と、
　前記第１のテキストについて前記述語項構造毎に生成されたベクトルと、前記第２のテキストについて前記述語項構造毎に生成されたベクトルとを比較し、比較の結果に基づいて、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との組合せを同定する、組合せ同定部と、
　同定された前記組合せ毎に、特徴量を求め、求めた前記特徴量に基づいて、前記第１のテキストが前記第２のテキストを含意しているかどうかを判定する、含意判定部と、
を備えていることを特徴とするテキスト含意判定装置。
（付記２）
　前記述語項構造が、前記第１のテキスト又は前記第２のテキストに含まれる述語と、前記述語の引数となる単語と、前記引数の種類を示す単語とを含み、
　前記ベクトル生成部が、前記述語と、前記述語の引数となる単語とを用いて、前記ベクトルを生成する、
付記１に記載のテキスト含意判定装置。
（付記３）
　前記組合せ同定部が、前記第１のテキストについて前記述語項構造毎に生成されたベクトルと、前記第２のテキストについて前記述語項構造毎に生成されたベクトルと、の類似度を算出し、算出した前記類似度に基づいて、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との組合せを同定する、
付記１または２に記載のテキスト含意判定装置。
（付記４）
　前記組合せ同定部が、前記類似度の算出の際に、前記ベクトルの有する情報の量に応じて正規化処理を実行する、
付記３に記載のテキスト含意判定装置。
（付記５）
　前記含意判定部が、前記組合せ毎に、前記述語項構造において述語の引数の種類を示す単語以外の単語に基づいて、前記特徴量として、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造とにおける、単語の被覆度合い、及び前記引数となる単語のみを対象とした単語の一致度合い、のいずれかを求める、
付記１～４のいずれかに記載のテキスト含意判定装置。
（付記６）
　前記含意判定部が、前記特徴量に加えて、前記述語項構造の構造的な特徴を用いて、前記第１のテキストが前記第２のテキストを含意しているかどうかを判定する、
付記５に記載のテキスト含意判定装置。
（付記７）
　前記含意判定部が、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との構造的な類似性に応じて、前記特徴量及び前記述語項構造の構造的な特徴のいずれか一方を優先して判定を行なう、付記６に記載のテキスト含意判定装置。
（付記８）
　前記含意判定部が、前記特徴量を求める際に、機械学習によって得られたデータに基づいて、前記特徴量に重みを付与する、付記５～７のいずれかに記載のテキスト含意判定装置。
（付記９）
　第１のテキストが第２のテキストを含意しているかどうかを判定するための方法であって、
（ａ）前記第１のテキスト及び前記第２のテキストそれぞれの述語項構造を取得し、前記第１のテキスト及び前記第２のテキストそれぞれについて、前記述語項構造毎に、当該述語項構造において述語の引数の種類を示す単語以外の単語を用いて、ベクトルを生成する、ステップと、
（ｂ）前記第１のテキストについて前記述語項構造毎に生成されたベクトルと、前記第２のテキストについて前記述語項構造毎に生成されたベクトルとを比較し、比較の結果に基づいて、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との組合せを同定する、ステップと、
（ｃ）同定された前記組合せ毎に、特徴量を求め、求めた前記特徴量に基づいて、前記第１のテキストが前記第２のテキストを含意しているかどうかを判定する、ステップと、
を有することを特徴とするテキスト含意判定方法。
（付記１０）
　前記述語項構造が、前記第１のテキスト又は前記第２のテキストに含まれる述語と、前記述語の引数となる単語と、前記引数の種類を示す単語とを含み、
　前記（ａ）のステップにおいて、前記述語と、前記述語の引数となる単語とを用いて、前記ベクトルを生成する、
付記９に記載のテキスト含意判定方法。
（付記１１）
　前記（ｂ）のステップにおいて、前記第１のテキストについて前記述語項構造毎に生成されたベクトルと、前記第２のテキストについて前記述語項構造毎に生成されたベクトルと、の類似度を算出し、算出した前記類似度に基づいて、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との組合せを同定する、
付記９または１０に記載のテキスト含意判定方法。
（付記１２）
　前記（ｂ）のステップにおいて、前記類似度の算出の際に、前記ベクトルの有する情報の量に応じて正規化処理を実行する、
付記１１に記載のテキスト含意判定方法。
（付記１３）
　前記（ｃ）のステップにおいて、前記組合せ毎に、前記述語項構造において述語の引数の種類を示す単語以外の単語に基づいて、前記特徴量として、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造とにおける、単語の被覆度合い、及び前記引数となる単語のみを対象とした単語の一致度合い、のいずれかを求める、
付記９～１２のいずれかに記載のテキスト含意判定方法。
（付記１４）
　前記（ｃ）のステップにおいて、前記特徴量に加えて、前記述語項構造の構造的な特徴を用いて、前記第１のテキストが前記第２のテキストを含意しているかどうかを判定する、
付記１３に記載のテキスト含意判定方法。
（付記１５）
　前記（ｃ）のステップにおいて、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との構造的な類似性に応じて、前記特徴量及び前記述語項構造の構造的な特徴のいずれか一方を優先して判定を行なう、付記１４に記載のテキスト含意判定方法。
（付記１６）
　前記（ｃ）のステップにおいて、前記特徴量を求める際に、機械学習によって得られたデータに基づいて、前記特徴量に重みを付与する、付記１３～１５のいずれかに記載のテキスト含意判定方法。
（付記１７）
　コンピュータによって、第１のテキストが第２のテキストを含意しているかどうかを判定するための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、
前記コンピュータに、
（ａ）前記第１のテキスト及び前記第２のテキストそれぞれの述語項構造を取得し、前記第１のテキスト及び前記第２のテキストそれぞれについて、前記述語項構造毎に、当該述語項構造において述語の引数の種類を示す単語以外の単語を用いて、ベクトルを生成する、ステップと、
（ｂ）前記第１のテキストについて前記述語項構造毎に生成されたベクトルと、前記第２のテキストについて前記述語項構造毎に生成されたベクトルとを比較し、比較の結果に基づいて、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との組合せを同定する、ステップと、
（ｃ）同定された前記組合せ毎に、特徴量を求め、求めた前記特徴量に基づいて、前記第１のテキストが前記第２のテキストを含意しているかどうかを判定する、ステップと、
を実行させる、命令を含むプログラムを記録している、コンピュータ読み取り可能な記録媒体。
（付記１８）
　前記述語項構造が、前記第１のテキスト又は前記第２のテキストに含まれる述語と、前記述語の引数となる単語と、前記引数の種類を示す単語とを含み、
　前記（ａ）のステップにおいて、前記述語と、前記述語の引数となる単語とを用いて、前記ベクトルを生成する、
付記１７に記載のコンピュータ読み取り可能な記録媒体。
（付記１９）
　前記（ｂ）のステップにおいて、前記第１のテキストについて前記述語項構造毎に生成されたベクトルと、前記第２のテキストについて前記述語項構造毎に生成されたベクトルと、の類似度を算出し、算出した前記類似度に基づいて、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との組合せを同定する、
付記１７または１８に記載のコンピュータ読み取り可能な記録媒体。
（付記２０）
　前記（ｂ）のステップにおいて、前記類似度の算出の際に、前記ベクトルの有する情報の量に応じて正規化処理を実行する、
付記１９に記載のコンピュータ読み取り可能な記録媒体。
（付記２１）
　前記（ｃ）のステップにおいて、前記組合せ毎に、前記述語項構造において述語の引数の種類を示す単語以外の単語に基づいて、前記特徴量として、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造とにおける、単語の被覆度合い、及び前記引数となる単語のみを対象とした単語の一致度合い、のいずれかを求める、
付記１７～２０のいずれかに記載のコンピュータ読み取り可能な記録媒体。
（付記２２）
　前記（ｃ）のステップにおいて、前記特徴量に加えて、前記述語項構造の構造的な特徴を用いて、前記第１のテキストが前記第２のテキストを含意しているかどうかを判定する、
付記２１に記載のコンピュータ読み取り可能な記録媒体。
（付記２３）
　前記（ｃ）のステップにおいて、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との構造的な類似性に応じて、前記特徴量及び前記述語項構造の構造的な特徴のいずれか一方を優先して判定を行なう、付記２２に記載のコンピュータ読み取り可能な記録媒体。
（付記２４）
　前記（ｃ）のステップにおいて、前記特徴量を求める際に、機械学習によって得られたデータに基づいて、前記特徴量に重みを付与する、付記２１～２３のいずれかに記載のコンピュータ読み取り可能な記録媒体。
　以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　この出願は、２０１１年１０月２０日に出願された日本出願特願２０１１－２３０７７３を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　以上のように、本発明によれば、判定対象となる複数のテキストにおいて、述語間の項構造が異なる場合であっても、これらの含意判定を実現できる。よって、本発明は、情報検索システムにおける意味的な自然文検索といった用途に有用である。また、本発明は、テキストマイニングにおける意見クラスタリングといった用途にも有用である。
　１　入力装置
　２　含意判定装置
　３　記憶装置
　４　出力装置
　２０　述語項構造解析部
　２１　ベクトル生成部
　２２　組合せ同定部
　２３　含意判定部
　３０　単語間照合規則記憶部
　３１　述語項構造間照合規則記憶部
　１１０　コンピュータ
　１１１　ＣＰＵ
　１１２　メインメモリ
　１１３　記憶装置
　１１４　入力インターフェイス
　１１５　表示コントローラ
　１１６　データリーダ／ライタ
　１１７　通信インターフェイス
　１１８　入力機器
　１１９　ディスプレイ装置
　１２０　記録媒体
　１２１　バス
 

Claims (10)

  1. 　第１のテキストが第２のテキストを含意しているかどうかを判定するための装置であって、
    　前記第１のテキスト及び前記第２のテキストそれぞれの述語項構造を取得し、前記第１のテキスト及び前記第２のテキストそれぞれについて、前記述語項構造毎に、当該述語項構造において述語の引数の種類を示す単語以外の単語を用いて、ベクトルを生成する、ベクトル生成部と、
    　前記第１のテキストについて前記述語項構造毎に生成されたベクトルと、前記第２のテキストについて前記述語項構造毎に生成されたベクトルとを比較し、比較の結果に基づいて、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との組合せを同定する、組合せ同定部と、
    　同定された前記組合せ毎に、特徴量を求め、求めた前記特徴量に基づいて、前記第１のテキストが前記第２のテキストを含意しているかどうかを判定する、含意判定部と、
    を備えていることを特徴とするテキスト含意判定装置。
  2. 　前記述語項構造が、前記第１のテキスト又は前記第２のテキストに含まれる述語と、前記述語の引数となる単語と、前記引数の種類を示す単語とを含み、
    　前記ベクトル生成部が、前記述語と、前記述語の引数となる単語とを用いて、前記ベクトルを生成する、
    請求項１に記載のテキスト含意判定装置。
  3. 　前記組合せ同定部が、前記第１のテキストについて前記述語項構造毎に生成されたベクトルと、前記第２のテキストについて前記述語項構造毎に生成されたベクトルと、の類似度を算出し、算出した前記類似度に基づいて、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との組合せを同定する、
    請求項１または２に記載のテキスト含意判定装置。
  4. 　前記組合せ同定部が、前記類似度の算出の際に、前記ベクトルの有する情報の量に応じて正規化処理を実行する、
    請求項３に記載のテキスト含意判定装置。
  5. 　前記含意判定部が、前記組合せ毎に、前記述語項構造において述語の引数の種類を示す単語以外の単語に基づいて、前記特徴量として、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造とにおける、単語の被覆度合い、及び前記引数となる単語のみを対象とした単語の一致度合い、のいずれかを求める、
    請求項１～４のいずれかに記載のテキスト含意判定装置。
  6. 　前記含意判定部が、前記特徴量に加えて、前記述語項構造の構造的な特徴を用いて、前記第１のテキストが前記第２のテキストを含意しているかどうかを判定する、
    請求項５に記載のテキスト含意判定装置。
  7. 　前記含意判定部が、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との構造的な類似性に応じて、前記特徴量及び前記述語項構造の構造的な特徴のいずれか一方を優先して判定を行なう、請求項６に記載のテキスト含意判定装置。
  8. 　前記含意判定部が、前記特徴量を求める際に、機械学習によって得られたデータに基づいて、前記特徴量に重みを付与する、請求項５～７のいずれかに記載のテキスト含意判定装置。
  9. 　第１のテキストが第２のテキストを含意しているかどうかを判定するための方法であって、
    （ａ）前記第１のテキスト及び前記第２のテキストそれぞれの述語項構造を取得し、前記第１のテキスト及び前記第２のテキストそれぞれについて、前記述語項構造毎に、当該述語項構造において述語の引数の種類を示す単語以外の単語を用いて、ベクトルを生成する、ステップと、
    （ｂ）前記第１のテキストについて前記述語項構造毎に生成されたベクトルと、前記第２のテキストについて前記述語項構造毎に生成されたベクトルとを比較し、比較の結果に基づいて、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との組合せを同定する、ステップと、
    （ｃ）同定された前記組合せ毎に、特徴量を求め、求めた前記特徴量に基づいて、前記第１のテキストが前記第２のテキストを含意しているかどうかを判定する、ステップと、
    を有することを特徴とするテキスト含意判定方法。
  10. 　コンピュータによって、第１のテキストが第２のテキストを含意しているかどうかを判定するための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、
    前記コンピュータに、
    （ａ）前記第１のテキスト及び前記第２のテキストそれぞれの述語項構造を取得し、前記第１のテキスト及び前記第２のテキストそれぞれについて、前記述語項構造毎に、当該述語項構造において述語の引数の種類を示す単語以外の単語を用いて、ベクトルを生成する、ステップと、
    （ｂ）前記第１のテキストについて前記述語項構造毎に生成されたベクトルと、前記第２のテキストについて前記述語項構造毎に生成されたベクトルとを比較し、比較の結果に基づいて、前記第１のテキストの述語項構造と前記第２のテキストの述語項構造との組合せを同定する、ステップと、
    （ｃ）同定された前記組合せ毎に、特徴量を求め、求めた前記特徴量に基づいて、前記第１のテキストが前記第２のテキストを含意しているかどうかを判定する、ステップと、
    を実行させる、命令を含むプログラムを記録しているコンピュータ読み取り可能な記録媒体。
PCT/JP2012/075765 2011-10-20 2012-10-04 テキスト含意判定装置、テキスト含意判定方法、及びコンピュータ読み取り可能な記録媒体 WO2013058118A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
SG2013018791A SG188994A1 (en) 2011-10-20 2012-10-04 Textual entailment recognition apparatus, textual entailment recognition method, and computer-readable recording medium
JP2013511427A JP5387870B2 (ja) 2011-10-20 2012-10-04 テキスト含意判定装置、テキスト含意判定方法、及びプログラム
CN201280003691.XA CN103221947B (zh) 2011-10-20 2012-10-04 文本含意辨认装置、文本含意辨认方法和计算机可读记录介质
US13/823,546 US8762132B2 (en) 2011-10-20 2012-10-04 Textual entailment recognition apparatus, textual entailment recognition method, and computer-readable recording medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2011230773 2011-10-20
JP2011-230773 2011-10-20

Publications (1)

Publication Number Publication Date
WO2013058118A1 true WO2013058118A1 (ja) 2013-04-25

Family

ID=48140770

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2012/075765 WO2013058118A1 (ja) 2011-10-20 2012-10-04 テキスト含意判定装置、テキスト含意判定方法、及びコンピュータ読み取り可能な記録媒体

Country Status (5)

Country Link
US (1) US8762132B2 (ja)
JP (1) JP5387870B2 (ja)
CN (1) CN103221947B (ja)
SG (1) SG188994A1 (ja)
WO (1) WO2013058118A1 (ja)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014229078A (ja) * 2013-05-22 2014-12-08 大学共同利用機関法人情報・システム研究機構 自然言語推論システム、自然言語推論方法及びプログラム
WO2016035273A1 (ja) * 2014-09-05 2016-03-10 日本電気株式会社 テキスト処理システム、テキスト処理方法、及び、コンピュータ・プログラムが記録された記憶媒体
WO2016147218A1 (ja) * 2015-03-18 2016-09-22 日本電気株式会社 テキスト監視システム、テキスト監視方法、及び、記録媒体
JP2018036725A (ja) * 2016-08-29 2018-03-08 日本電信電話株式会社 整合性判定装置、方法、及びプログラム
CN109791569A (zh) * 2016-10-05 2019-05-21 国立研究开发法人情报通信研究机构 因果关系识别装置及用于其的计算机程序
JP2021005391A (ja) * 2019-05-08 2021-01-14 日本電気株式会社 テキスト監視システム、テキスト監視方法、及び、プログラム
US11544455B2 (en) 2017-06-21 2023-01-03 Nec Corporation Information processing device, information processing method, and recording medium
WO2023144872A1 (ja) * 2022-01-25 2023-08-03 日本電気株式会社 文書分類装置、文書分類方法、および文書分類プログラム
WO2023144871A1 (ja) * 2022-01-25 2023-08-03 日本電気株式会社 文書分類装置、文書分類方法、および文書分類プログラム

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5743938B2 (ja) * 2012-03-26 2015-07-01 株式会社日立製作所 連想検索システム、連想検索サーバ及びプログラム
US20140372102A1 (en) * 2013-06-18 2014-12-18 Xerox Corporation Combining temporal processing and textual entailment to detect temporally anchored events
US9916289B2 (en) * 2013-09-10 2018-03-13 Embarcadero Technologies, Inc. Syndication of associations relating data and metadata
JP5907393B2 (ja) 2013-12-20 2016-04-26 国立研究開発法人情報通信研究機構 複雑述語テンプレート収集装置、及びそのためのコンピュータプログラム
JP5904559B2 (ja) 2013-12-20 2016-04-13 国立研究開発法人情報通信研究機構 シナリオ生成装置、及びそのためのコンピュータプログラム
JP6403382B2 (ja) 2013-12-20 2018-10-10 国立研究開発法人情報通信研究機構 フレーズペア収集装置、及びそのためのコンピュータプログラム
US20150199339A1 (en) * 2014-01-14 2015-07-16 Xerox Corporation Semantic refining of cross-lingual information retrieval results
US9619457B1 (en) * 2014-06-06 2017-04-11 Google Inc. Techniques for automatically identifying salient entities in documents
WO2016013175A1 (ja) * 2014-07-22 2016-01-28 日本電気株式会社 テキスト処理システム、テキスト処理方法およびテキスト処理プログラム
WO2016013157A1 (ja) * 2014-07-23 2016-01-28 日本電気株式会社 テキスト処理システム、テキスト処理方法およびテキスト処理プログラム
JP6551968B2 (ja) * 2015-03-06 2019-07-31 国立研究開発法人情報通信研究機構 含意ペア拡張装置、そのためのコンピュータプログラム、及び質問応答システム
CN106250370B (zh) * 2016-08-02 2019-06-11 海信集团有限公司 一种获取近义词的方法和装置
US20220253611A1 (en) * 2017-05-10 2022-08-11 Oracle International Corporation Techniques for maintaining rhetorical flow
US10599885B2 (en) * 2017-05-10 2020-03-24 Oracle International Corporation Utilizing discourse structure of noisy user-generated content for chatbot learning
US11386274B2 (en) * 2017-05-10 2022-07-12 Oracle International Corporation Using communicative discourse trees to detect distributed incompetence
US11373632B2 (en) * 2017-05-10 2022-06-28 Oracle International Corporation Using communicative discourse trees to create a virtual persuasive dialogue
US10817670B2 (en) * 2017-05-10 2020-10-27 Oracle International Corporation Enabling chatbots by validating argumentation
US11586827B2 (en) * 2017-05-10 2023-02-21 Oracle International Corporation Generating desired discourse structure from an arbitrary text
US11960844B2 (en) * 2017-05-10 2024-04-16 Oracle International Corporation Discourse parsing using semantic and syntactic relations
US10679011B2 (en) * 2017-05-10 2020-06-09 Oracle International Corporation Enabling chatbots by detecting and supporting argumentation
US11615145B2 (en) 2017-05-10 2023-03-28 Oracle International Corporation Converting a document into a chatbot-accessible form via the use of communicative discourse trees
US12001804B2 (en) * 2017-05-10 2024-06-04 Oracle International Corporation Using communicative discourse trees to detect distributed incompetence
JP7086993B2 (ja) * 2017-05-10 2022-06-20 オラクル・インターナショナル・コーポレイション コミュニケーション用談話ツリーの使用による修辞学的分析の可能化
US10839154B2 (en) * 2017-05-10 2020-11-17 Oracle International Corporation Enabling chatbots by detecting and supporting affective argumentation
JP6726638B2 (ja) * 2017-05-11 2020-07-22 日本電信電話株式会社 含意認識装置、方法、及びプログラム
US10839161B2 (en) 2017-06-15 2020-11-17 Oracle International Corporation Tree kernel learning for text classification into classes of intent
US11100144B2 (en) 2017-06-15 2021-08-24 Oracle International Corporation Data loss prevention system for cloud security based on document discourse analysis
US11182412B2 (en) 2017-09-27 2021-11-23 Oracle International Corporation Search indexing using discourse trees
CN117114001A (zh) 2017-09-28 2023-11-24 甲骨文国际公司 基于命名实体的解析和识别确定跨文档的修辞相互关系
EP3688626A1 (en) 2017-09-28 2020-08-05 Oracle International Corporation Enabling autonomous agents to discriminate between questions and requests
EP3746916A1 (en) 2018-01-30 2020-12-09 Oracle International Corporation Using communicative discourse trees to detect a request for an explanation
US11537645B2 (en) 2018-01-30 2022-12-27 Oracle International Corporation Building dialogue structure by using communicative discourse trees
GB2572132A (en) 2018-02-08 2019-09-25 George Thompson Trevor Document analysis method and apparatus
US11023684B1 (en) * 2018-03-19 2021-06-01 Educational Testing Service Systems and methods for automatic generation of questions from text
JP7258047B2 (ja) 2018-05-09 2023-04-14 オラクル・インターナショナル・コーポレイション 収束質問に対する回答を改善するための仮想談話ツリーの構築
US11455494B2 (en) 2018-05-30 2022-09-27 Oracle International Corporation Automated building of expanded datasets for training of autonomous agents
CN109165300B (zh) * 2018-08-31 2020-08-11 中国科学院自动化研究所 文本蕴含识别方法及装置
US11449682B2 (en) 2019-08-29 2022-09-20 Oracle International Corporation Adjusting chatbot conversation to user personality and mood
US11775772B2 (en) 2019-12-05 2023-10-03 Oracle International Corporation Chatbot providing a defeating reply
CN113064983B (zh) * 2021-04-23 2024-04-26 深圳壹账通智能科技有限公司 语义检测方法、装置、计算机设备及存储介质
CN113901215B (zh) * 2021-10-09 2022-04-26 延边大学 一种融合高低层语义信息的文本蕴含识别方法
WO2023212524A1 (en) * 2022-04-25 2023-11-02 Gyan, Inc. (A Delaware Corporation) An explainable natural language understanding platform

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09128401A (ja) * 1995-10-27 1997-05-16 Sharp Corp 動画像検索装置及びビデオ・オン・デマンド装置
JP2004272352A (ja) * 2003-03-05 2004-09-30 Nippon Telegr & Teleph Corp <Ntt> 類似度計算方法、装置、プログラムおよび該プログラムを格納した記録媒体

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060245641A1 (en) * 2005-04-29 2006-11-02 Microsoft Corporation Extracting data from semi-structured information utilizing a discriminative context free grammar
CN101238459A (zh) * 2005-05-13 2008-08-06 柯廷技术大学 比较文本文件
US8180633B2 (en) * 2007-03-08 2012-05-15 Nec Laboratories America, Inc. Fast semantic extraction using a neural network architecture
US7890539B2 (en) * 2007-10-10 2011-02-15 Raytheon Bbn Technologies Corp. Semantic matching using predicate-argument structure
US8392436B2 (en) * 2008-02-07 2013-03-05 Nec Laboratories America, Inc. Semantic search via role labeling
US20110119050A1 (en) * 2009-11-18 2011-05-19 Koen Deschacht Method for the automatic determination of context-dependent hidden word distributions
US8554542B2 (en) * 2010-05-05 2013-10-08 Xerox Corporation Textual entailment method for linking text of an abstract to text in the main body of a document
CN101908042B (zh) * 2010-08-09 2016-04-13 中国科学院自动化研究所 一种双语联合语义角色的标注方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09128401A (ja) * 1995-10-27 1997-05-16 Sharp Corp 動画像検索装置及びビデオ・オン・デマンド装置
JP2004272352A (ja) * 2003-03-05 2004-09-30 Nippon Telegr & Teleph Corp <Ntt> 類似度計算方法、装置、プログラムおよび該プログラムを格納した記録媒体

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ASHER STERN ET AL.: "Rule Chaining and Approximate Match in textual inference", 27 October 2010 (2010-10-27), XP003031176, Retrieved from the Internet <URL:http://www.nist.gov/tac/publications/2010/participant.papers/BIU.proceedings.pdf> [retrieved on 20121022] *
MICHITAKA ODANI ET AL.: "Iikae Hyogen no Jutsugoko Kozo eno Seikika to Text Gan'i Kankei Ninshiki deno Riyo", PROCEEDINGS OF THE 15TH ANNUAL MEETING OF THE ASSOCIATION FOR NATURAL LANGUAGE PROCESSING, 2 March 2009 (2009-03-02), pages 260 - 263 *
SHUYA ABE ET AL.: "Event Relation Acquisition with Syntactic Patterns and Shared Arguments", JOURNAL OF NATURAL LANGUAGE PROCESSING, vol. 17, no. 1, January 2010 (2010-01-01), pages 121 - 139, XP003031177 *
TOMOHIDE SHIBATA ET AL.: "Acquiring Strongly-related Events using Predicate-argument Co-occurring Statistics and Case Frames", IPSJ SIG NOTES, vol. 2011-NL-, no. 2, 15 October 2011 (2011-10-15), pages 1 - 8, XP003031178 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014229078A (ja) * 2013-05-22 2014-12-08 大学共同利用機関法人情報・システム研究機構 自然言語推論システム、自然言語推論方法及びプログラム
WO2016035273A1 (ja) * 2014-09-05 2016-03-10 日本電気株式会社 テキスト処理システム、テキスト処理方法、及び、コンピュータ・プログラムが記録された記憶媒体
US10339223B2 (en) 2014-09-05 2019-07-02 Nec Corporation Text processing system, text processing method and storage medium storing computer program
WO2016147218A1 (ja) * 2015-03-18 2016-09-22 日本電気株式会社 テキスト監視システム、テキスト監視方法、及び、記録媒体
JPWO2016147218A1 (ja) * 2015-03-18 2017-12-14 日本電気株式会社 テキスト監視システム、テキスト監視方法、及び、プログラム
JP2018036725A (ja) * 2016-08-29 2018-03-08 日本電信電話株式会社 整合性判定装置、方法、及びプログラム
CN109791569A (zh) * 2016-10-05 2019-05-21 国立研究开发法人情报通信研究机构 因果关系识别装置及用于其的计算机程序
CN109791569B (zh) * 2016-10-05 2023-07-04 国立研究开发法人情报通信研究机构 因果关系识别装置及存储介质
US11544455B2 (en) 2017-06-21 2023-01-03 Nec Corporation Information processing device, information processing method, and recording medium
JP2021005391A (ja) * 2019-05-08 2021-01-14 日本電気株式会社 テキスト監視システム、テキスト監視方法、及び、プログラム
WO2023144872A1 (ja) * 2022-01-25 2023-08-03 日本電気株式会社 文書分類装置、文書分類方法、および文書分類プログラム
WO2023144871A1 (ja) * 2022-01-25 2023-08-03 日本電気株式会社 文書分類装置、文書分類方法、および文書分類プログラム

Also Published As

Publication number Publication date
CN103221947A (zh) 2013-07-24
JP5387870B2 (ja) 2014-01-15
US20130204611A1 (en) 2013-08-08
SG188994A1 (en) 2013-05-31
JPWO2013058118A1 (ja) 2015-04-02
CN103221947B (zh) 2016-05-25
US8762132B2 (en) 2014-06-24

Similar Documents

Publication Publication Date Title
JP5387870B2 (ja) テキスト含意判定装置、テキスト含意判定方法、及びプログラム
US9858264B2 (en) Converting a text sentence to a series of images
KR102345455B1 (ko) 질의 응답 시스템에서 컴퓨터 발생형 자연 언어 출력
US9448772B2 (en) Generating program fragments using keywords and context information
KR101893090B1 (ko) 취약점 정보 관리 방법 및 그 장치
WO2019037258A1 (zh) 信息推荐的装置、方法、系统及计算机可读存储介质
JP6663826B2 (ja) 計算機及び応答の生成方法
US20160188569A1 (en) Generating a Table of Contents for Unformatted Text
CN112560483A (zh) 自动检测自由文本中的个人信息
US20130159346A1 (en) Combinatorial document matching
CA3207902A1 (en) Auditing citations in a textual document
KR20210050139A (ko) 이미지의 유사도 계산 장치 및 방법
US20140236571A1 (en) Inducing and Applying a Subject-Targeted Context Free Grammar
US8769700B2 (en) Method, apparatus and computer program for supporting determination on degree of confidentiality of document
US20230095036A1 (en) Method and system for proficiency identification
Nagy et al. Improving fake news classification using dependency grammar
JP6194180B2 (ja) 文章マスク装置及び文章マスクプログラム
JP2018077604A (ja) 機能記述からの実現手段・方法の侵害候補を自動特定する人工知能装置
Wei et al. Motif-based hyponym relation extraction from wikipedia hyperlinks
JP6201702B2 (ja) 意味情報分類プログラム及び情報処理装置
JP2014112306A (ja) 要望文抽出装置、要望内容同定モデル学習装置、方法、及びプログラム
JP2018073298A (ja) 人工知能装置による手段・方法の自動抽出・作成方法
EP4339817A1 (en) Anomalous command line entry detection
JP2019003237A (ja) 提示方法、提示装置及び提示プログラム
Gupta et al. Using variant directional dis (similarity) measures for the task of textual entailment

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2013511427

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 13823546

Country of ref document: US

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 12842600

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12842600

Country of ref document: EP

Kind code of ref document: A1