直前格と用言を用いた格フレーム辞書（一次格フレーム辞書）の構築 [@Kawahara:2002:JNLP]

概要

用例抽出: ある程度信頼できる用言・格要素間の関係
- KNPのRule1だけで係り受け関係が決定できたものを利用
用例パターンの構築: 用例を直前格でまとめたもの
- 用言の用法に影響する格要素でクラスタリングしたい
  - 直前格を特別視せず，すべての格要素を同等に扱う -> ダメ
用例格フレームの構築
- シソーラスを用いて用例パターンのクラスタリング
- 用言の多義性を考慮する必要がある
  - 用例を，項構造ではなく，項と用言の共起で扱う -> ダメ
  - クラスタリングせずに格ごとに単純にまとめる -> ダメ

以下の3種類は，単語のかわりにクラスを用いる．

時間
- 品詞細分類が時相名詞の形態素を含む文節（例: 朝，春，来年）
- 時間助数辞を含む文節（例: １９９９年，１２月，６日，９時，３５分，２３秒）
- 「前」，「中」，「後」という接尾辞をもち，自立語がシソーラス上の意味属性「場所」をもたない文節（例: 会議中，戦争後，書く前）
数量
- 数詞を含む (助数辞を含まない) 文節（例: １，２，一，二，十，百）
- 数詞と，「つ」，「個」，「人」のような助数辞を含む文節については，「<数量>つ」，「<数量>個」，「<数量>人」のように数量クラスと助数辞のペアにして扱う
補文
- 引用節「～と」，連体修飾+形式名詞またはそれに準ずる表現 (～の～，～くらい～， )（例: 書くと，書いたことを，書くのを，書くくらいが）

複合名詞の場合は最後の自立語を用いる．

次のような格要素は収集に用いない。

提題助詞をもつ格要素と用言の連体修飾先（例:その議員は～を提案した，～を提案している議員が～)
- 表層格が明示されていないため
ニ格・デ格で副詞的に使われる格要素（例: ために, 無条件に, うえで, せいで）
- 係る用言との関係が任意的であるため
- 除外対象を人手で列挙した
「～では」・「～でも」・「～には」・「～にも」（例: 足の１本でも折ってやろうかと思った．育成しないことには世界で通用しない）
- KNPはデ格・ニ格の格要素
- しかし副助詞や従属節の場合もあるため

動詞，形容詞，名詞+判定詞（体言止含む）．ただし，以下は除外．

$cs (P_1, P_2) \cdot sim_E(P_1, P_2)$ と定義． [@Kawahara:2005:JNLP]では微妙に変更されているので注意．

用例パターン間の格の一致度 $cs (P_1, P_2)$ $cs (P_{1}, P_{2})$ = 用例 $P_1$ $P_{1}$ と $P_2$ $P_{2}$ の共通格に含まれている格用例の割合
- $cs = \frac{ \sum_{i=1}^n |E_{1cc_i}| + \sum_{i=1}^n |E_{2cc_i}| }{ \sum_{i=1}^l |E_{1c1_i}| + \sum_{i=1}^m |E_{2c2_i}| }$
- $c1_1, \cdots, c1_l$ : 用例パターン $P_1$ 中の格
- $c2_1, \cdots, c2_m$ : 用例パターン $P_2$ 中の格
- $cc_1, \cdots, cc_n$ : $P_1$ と $P_2$ の共通格
- $E_1cc_i$ : $P_1$ 内の格 $cc_i$ に含まれる格用例群
格用例群間の類似度 $sim_E(P_1, P_2)$ $s i m_{E} (P_{1}, P_{2})$ = 格用例の類似度の和を正規化したもの
- $sim_E(P_1, P_2) = \frac{ \sum_{i=1}^n \sum_{e_1 \in E_{1cc_i}} \sum_{e_2 \in E_{2cc_i}} |e_1| |e_2 | sim_e (e_1, e_2) }{ \sum_{i=1}^n \sum_{e_1 \in E_{1cc_i}} \sum_{e_2 \in E_{2cc_i}} |e_1| |e_2 |}$
単語間の類似度 $sim_e (e_1, e_2)$ $s i m_{e} (e_{1}, e_{2})$ = 日本語語彙体系のシソーラス上での，単語 $e_1$ $e_{1}$ と $e_2$ $e_{2}$ の類似度の最大値
- $sim_e (e_1, e_2) = max_{x \in s_1, y \in s_2} sim(x,y)$
- $sim(x, y) = \frac{2L}{l_x + l_y}$
- $x, y$ : 意味属性
- $s_i$ : 単語 $e_i$ の日本語語彙体系における意味属性の集合
- $l_x$ : $x$ のシソーラスの根からの深さ
- $L$ : $x$ と $y$ の意味属性で一致している階層の深さ

(0) 頻度5以下のもの除外し，最後にマージする

(1) 用言とその直前の格要素ごとにまとめる(初期格フレーム)

(2) 直前格が同じ用例パターン（格フレーム）のクラスタリング

閾値0.80を越える格フレームの組がなくなるまで繰り返す
- 全ての格フレーム間の類似度を再計算
- 類似度の最も高い格フレームの組 $p,q$ $p, q$ について
  - マージして1つの格フレームにする
  - 直前格要素の意味属性を固定

(3) 直前格を限定しない用例パターンのクラスタリング

(4) 残りの用例パターンのふりわけ

注意

用言とその直前の格要素ごとにまとめたものの呼称が無いが「初期格フレーム」とここではよぶ
本稿にはマージしてできた用例パターン群の呼称が無いが [@Kawahara:2005:JNLP]では「格フレーム」とよんでいるため，ここでも「格フレーム」と呼んだ．用例パターンは最小粒度の格フレームとみなせる．
マージしてできた格フレームと，単一の用例パターンの間の類似度は本稿では不記載． [@Kawahara:2005:JNLP]の $CaseSim$ だと思われる