深層格とゼロ代名詞の同時解析 [@Kudo:2014:ACL]

目的

日英機械翻訳のために，深層格とゼロ代名詞の同時解析を行う
主な困難な点
- ヴォイスの推定: れる/られるは受動態でも可能態(potential)でも使われる
- 表層ガ格: 可能態では主格から目的格に解釈が変わる
- topic case marker「は」: 英語に存在せず，文脈に応じて文法役割が変わる
- 主格はよく省略される

項と述語の同時確率を $P(p, z, v, A, S, D)$ と定義する．

$p$ $p$ : 述語
- 同一文の他の述語とは独立と仮定
$z$ $z$ : $p$ $p$ のゼロ主格( $\neq$ $\neq =$ 主格)の候補
- $z \in Z =$ {I, you, we, it, he/she, imperative, already_exists}
- imperativeはinvisible subjectを示す
- already_existsは文中に存在することを示す
$v$ $v$ : $p$ $p$ のヴォイスの種類
- $v \in V =$ {能動，受動，可能}
$a_k \in A$ $a_{k} \in A$ : $k$ $k$ 番目の項
- 項: 述語を修飾するor修飾される
- 関係節では述語が項を修飾する
$s_k$ $s_{k}$ : $a_k$ $a_{k}$ と $p$ $p$ 間の表層格ラベル
- $s \in S$
$d_k$ $d_{k}$ : $a_k$ $a_{k}$ と $p$ $p$ 間の深層格ラベル
- $d \in D$ = {subject, object, other}

$p$ を与えられた上で解くべき問題は，以下の最適化問題．

$\langle \hat{z}, \hat{v}, \hat{D} \rangle= argmax_{z, v, D} P(p, z, v, A, S, D)$

これを解くのは難しいので近似する． $P(p, z, v, A, S, D) \approx P_z(z\mid p, A, S) P_v(v\mid p, A, S) P_d(D\mid p, v, A, S) P(p, A, S)$

$P(p, A, S)$ は定数項なので，以下は $P_z, P_d, P_v$ にいて考える．

最適化問題の近似で，ゼロ主格と深層格は独立だと仮定した
しかし現実的ではないので，以下の制約を導入
- 主格は必須
- 1つの述語が複数の主格や目的格は取らない
整数線形計画(ILP)で解く
- $x_i$ : ある1つのbinary decisionを表すバイナリラベル (eg: $x_k=1$ if $d_i=subj$ and $v=$ active)
- $p_i$ : $x_i$ の確率
- $\\{ \hat{x}, \ldots, \hat{x_n} \\} = argmax \sum_i \log(p_i)x_i$ $\overset{x}{^}, \dots, \overset{x_{n}}{^} = a r g ma x \sum_{i} lo g (p_{i}) x_{i}$
  - s.t. linear constrains over $\\{ x_1, \ldots, x_n \\}$

$P(p, z, v, A, S, D)$ のlogを取ることで，最適化問題がILPに変換された

ルールで変換する．例えば，「今日は酒が飲める」を「zero_subject 飲めるが酒は今日」

ここでは，詳細は割愛する．

日英翻訳システム(Och2003)を使用
- destortion limit は4単語
- webから収集した300M単語データ
- ランダム抽出した1万文で評価
shift-reduce parserで係り受け解析
ゼロ主格モデル $P_z$ $P_{z}$
- 人手でアノテーションしたweb2万文
ヴォイス種類モデル $P_v$ $P_{v}$
- 人手でアノテーションしたweb5000文