第 4 章 評価実験 28
4.2 業種カテゴリの自動分類手法の評価
4.2.3 実験結果と考察
上記の考察は提案手法の有効性を示してはいるが，人による判定との差は20.9ポイン トと大きく，改善の余地が大きい．人が業種カテゴリを判定する際には，カテゴリをすぐ に決定できる特定の単語や特徴(URL内の「.ac」，「会計」，「税理」，「商工会」など)を見 つけて判定することが多かった．このような特徴的な単語を自動的に特定できれば，業種 判定の正解率が向上すると考えられる．
表 4.6: 業種カテゴリ分類の正解率(その1)
業種カテゴリ BL/NB BL/RF H
1 IT 0.083 0.354 0.615
2 食品 0.652 0.905 0.930
3 教育・受験 0.390 0.794 0.941 4 電機・エレクトロニクス 0.225 0.247 0.500
5 雇用 0.192 0.538 0.750
6 金融サービス 0.442 0.837 1.000 7 運輸・物流 0.590 0.927 0.957 8 農林・水産 0.023 0.091 0.571 9 財務・会計 0.208 0.938 1.000 10 製品・サービス（産業向け） 0.353 0.620 0.521 11 アパレル・装飾品 0.098 0.183 0.909 12 薬品・バイオテクノロジー 0.278 0.528 1.000
13 自動車 0.339 0.636 0.833
14 素材 0.053 0.035 0.417
15 環境・資源 0.111 0.048 0.667
16 投資 0.214 0.286 0.750
17 建設・土木 0.500 0.884 0.793 18 広告・マーケティング 0.077 0.631 0.667
19 小売 0.063 0.031 0.500
20 宿泊・飲食・接客 0.058 0.174 0.733
21 団体 0.243 0.871 0.273
22 印刷・出版 0.478 0.867 1.000
23 化学 0.178 0.222 0.400
24 企業向けサービス（法律など） 0.348 0.357 0.500
25 不動産 0.000 0.154 0.833
26 医療・ヘルスケア 0.091 0.284 0.600 27 ニュース・メディア 0.425 1.000 0.700 28 アート・娯楽 0.333 0.352 0.727
表 4.7: 業種カテゴリ分類の正解率(その2) 業種カテゴリ Pro-BT-W
/NB
Pro-BT-W /RF
Pro-BT /NB
Pro-BT /RF
1 IT 0.122 0.490 0.082 0.490
2食品 0.758 0.928 0.753 0.930
3教育・受験 0.358 0.841 0.409 0.826 4電機・エレクトロニクス 0.244 0.360 0.267 0.371
5雇用 0.259 0.385 0.185 0.385
6金融サービス 0.483 0.849 0.529 0.849 7運輸・物流 0.602 0.961 0.621 0.956 8農林・水産 0.000 0.130 0.000 0.130 9財務・会計 0.184 0.729 0.204 0.729 10製品・サービス（産業向け） 0.352 0.486 0.345 0.490 11アパレル・装飾品 0.133 0.317 0.120 0.293 12薬品・バイオテクノロジー 0.216 0.694 0.243 0.667
13自動車 0.328 0.619 0.336 0.610
14素材 0.034 0.053 0.034 0.035
15環境・資源 0.141 0.270 0.125 0.286
16投資 0.200 0.214 0.200 0.286
17建設・土木 0.436 0.783 0.462 0.788 18広告・マーケティング 0.136 0.646 0.121 0.662
19小売 0.030 0.031 0.000 0.000
20宿泊・飲食・接客 0.126 0.218 0.103 0.207
21団体 0.268 0.803 0.211 0.817
22印刷・出版 0.495 0.891 0.516 0.880
23化学 0.348 0.489 0.304 0.400
24企業向けサービス（法律など） 0.371 0.252 0.345 0.261
25不動産 0.000 0.192 0.000 0.154
26医療・ヘルスケア 0.191 0.250 0.202 0.261 27ニュース・メディア 0.364 0.943 0.409 0.943 28アート・娯楽 0.377 0.386 0.359 0.336
表 4.8: 業種カテゴリ分類の正解率(その3) 業種カテゴリ Pro-B
/RF
Pro-B-WD /RF
Pro-B-WT /RF
Pro-B-WB /RF
1 IT 0.163 0.163 0.184 0.265
2食品 0.907 0.912 0.907 0.912
3教育・受験 0.609 0.630 0.609 0.609 4電機・エレクトロニクス 0.360 0.348 0.337 0.348
5雇用 0.385 0.385 0.423 0.385
6金融サービス 0.767 0.779 0.756 0.779 7運輸・物流 0.698 0.698 0.688 0.702 8農林・水産 0.087 0.087 0.087 0.109 9財務・会計 0.729 0.729 0.729 0.750 10製品・サービス（産業向け） 0.360 0.377 0.384 0.380 11アパレル・装飾品 0.341 0.354 0.329 0.305 12薬品・バイオテクノロジー 0.333 0.389 0.306 0.389
13自動車 0.542 0.551 0.534 0.542
14素材 0.088 0.053 0.053 0.070
15環境・資源 0.381 0.365 0.381 0.365
16投資 0.429 0.286 0.357 0.357
17建設・土木 0.549 0.535 0.531 0.566 18広告・マーケティング 0.646 0.677 0.677 0.723
19小売 0.313 0.281 0.344 0.281
20宿泊・飲食・接客 0.437 0.425 0.437 0.368
21団体 0.394 0.338 0.423 0.408
22印刷・出版 0.630 0.630 0.609 0.641
23化学 0.111 0.044 0.111 0.133
24企業向けサービス（法律など） 0.461 0.443 0.461 0.478
25不動産 0.462 0.462 0.615 0.538
26医療・ヘルスケア 0.284 0.295 0.273 0.318 27ニュース・メディア 0.705 0.716 0.716 0.693 28アート・娯楽 0.227 0.218 0.218 0.223
表 4.9: 業種カテゴリ分類の正解率のマイクロ平均 手法 マイクロ平均
BL/NB 0.252
Pro-BT-W/NB 0.270 Pro-BT/NB 0.267
H 0.717
手法 マイクロ平均
BL/RF 0.493
Pro-BT-W/RF 0.508 Pro-BT/RF 0.501
Pro-B/RF 0.443
Pro-B-WD/RF 0.435 Pro-B-WT/RF 0.446 Pro-B-WB/RF 0.451
第 5 章 おわりに
5.1 まとめ
本論文では，機械学習を用いて企業ウェブページを業種に基づいてカテゴリに自動分 類する手法を提案した．また，業種に関連する情報としてDescriptionとKeywords,業種 説明，事業説明という3種類を設定し，それらを自動抽出し，それから学習素性を抽出す ることで分類精度の向上を図った．DescriptionとKeywordsはHTMLのマークアップに よって正確に抽出できることを確認した．業種説明の抽出の際には，それが記載されてい るウェブページをルールベースの手法で検出し，そのウェブページ内の業種説明を抽出す るという，２段階の方法を用いることでF値が0.97という高い精度で抽出できた．事業 説明の抽出の際にも，それが記載されているウェブページをルールベースで検出すること で，F値が0.95という高い精度で抽出できた．
企業のウェブサイトを業種に分類するにあたり，まず業種カテゴリのセットを設計し た．様々なウェブサイトがディレクトリ構造で整理されているODPというウェブサイト を用いて構築した．ODPのディレクトリの「ビジネス」以下に属するカテゴリの集合に 対し，不要なカテゴリを削除したり，カテゴリに属するウェブサイトの数ができるだけ均 等になるようにカテゴリを統廃合することで，最終的に28個の業種カテゴリを定義した．
Bag-of-words を素性とした機械学習によって企業ウェブページを業種カテゴリに分類
するモデルを学習した．機械学習アルゴリズムとしてランダムフォレストとナイーブベイ ズを用いた．学習素性とする自立語は，自動抽出した業種情報ならびに企業ウェブサイト トップページから抽出する．素性の重みは出現頻度によって決めた．その際，業種情報に おける出現回数に高い重みを与えた．
評価実験では，１１種類の手法を比較した．自動抽出した業種情報から得られた素性に 高い重みを与える手法や与えない手法，業種情報とトップページの両方から素性を抽出し た手法，業種情報のみから素性を抽出して業種情報の種類ごとに重みを付与した手法など を比較した．実験の結果，提案手法による業種カテゴリの分類の正解率は50.8%となり，
業種情報を抽出せずにトップページ内の単語を素性としたモデルよりも正解率が1.5ポイ ント向上したことを確認した．また，3種類の業種情報のうち，事業説明が最も業種カテ ゴリの分類に重要な情報であることが確認された．
5.2 今後の課題
最後に今後の課題を述べる．提案手法では，素性の重みを決定する際，業種情報での 素性の出現回数に4倍の重みを与えていた．つまり，式(3.1)におけるαを4に設定した．
しかし，4という値は直観によって決めたものであり，必ずしも最適値ではない可能性が 高い．したがって，開発データを用意してαを最適化することで正解率の向上が期待でき る．具体的には，αを変動させて開発データにおける業種分類の正解率を測り，最も高い 正解率が得られたαを求める．さらに，3種類の業種情報に対して異なる重みを与えるこ とも検討したい．また，ランダムフォレストの学習パラメタはデフォルトのものを用いた ため，これも開発データで最適化する必要がある．最終的には，1章で述べたように，業 種の判定結果を検索エンジンの検索結果に表示できるようなシステムを開発したい．
参考文献
[1] Sahar Changuel, Nicolas Labroche, and Bernadette Bouchon-Meunier. Automatic web pages author extraction. In FQAS, pp. 300–311. Springer, 2009.
[2] Michal Kakol, Radoslaw Nielek, and Adam Wierzbicki. Understanding and predicting web content credibility using the content credibility corpus. Information Processing and Management, Vol. 53, No. 5, pp. 1043 – 1061, 2017.
[3] Yoshikiyo Kato, Daisuke Kawahara, Kentaro Inui, Sadao Kurohashi, and Tomohide Shibata. Extracting the author of web pages. In Proceedings of the 2Nd ACM Work-shop on Information Credibility on the Web, WICOW ’08, pp. 35–42, New York, NY, USA, 2008. ACM.
[4] 堀達也, 白井清昭. ブログページからのウェブサイト情報・作成者情報の抽出. 言語処 理学会第21回年次大会, pp. 349–352, 2015.
[5] 佐々木稔, 新納浩幸. 文書分類手法を用いた企業webサイトからの業種分類. 言語処理 学会第12回年次大会論文集, pp. 352–355, 2006.
[6] 福島隆寛, 内海彰. Web ページの信頼性の自動推定. 知能と情報 : 日本知能情報ファ ジィ学会誌 : journal of Japan Society for Fuzzy Theory and Intelligent Informatics, Vol. 19, No. 3, pp. 239–249, jun 2007.
[7] 百瀬亮, 宮崎林太郎, 渋木英潔, 森辰則. Webページからの情報発信者の抽出における レイアウト情報の利用. 言語処理学会第16回年次大会, pp. 94–97, 2010.
付 録 A 設定した業種カテゴリと ODP カテゴリの対応関係
以下，ODPにおける「ビジネス」「ニュース/メディア」「各種資料/教育」の下位のカ テゴリと本研究における業種カテゴリの対応を示す．これら3つの最上位カテゴリ名の前 には◎をつけ，他のカテゴリと区別している．
<◎ビジネス>
├ 《IT》｛1｝ (596)
│ ├ <通信> (165) 【←通信/】
│ ├ <インターネット> (289)
│ ├ <ベンチャーキャピタル> (5)
│ ├ <資格・スキル> (34)
│ ├ <雇用・スタッフ> (24)
├ 《食品》｛2｝ (4,477)
│ ├ <イベント> (4)
│ ├ <コンサルティング> (6)
│ ├ <ニュースとメディア> (7)
│ ├ <パン・菓子類> (542)
│ ├ <乾燥食品> (11)
│ ├ <包装・容器> (47)
│ ├ <卵・乳製品> (213)
│ ├ <卸売・輸出入> (106)
│ ├ <団体> (3)
│ ├ <小売> (87)
│ ├ <漬物> (22)
│ ├ <肉類・畜産加工品> (195)
│ ├ <設備・器具> (80)
│ ├ <調味料> (521)
│ ├ <調理済食品> (122)
│ ├ <農産物・加工品> (805)
│ ├ <関係先・リンク集> (1)
│ ├ <食用油・油脂> (31)
│ ├ <飲料> (1,126)
│ ├ <香料・添加物> (62)
│ └ <魚介類・水産加工品> (480)
├ 《教育・受験》｛3｝(1,587)【新設】
│ ├ <教育>(1,553) 【←◎各種資料/】
│ └ <資格・スキル> (34) 【←資格・スキル/】
├ 《電機・エレクトロニクス》｛4｝ (1,005)
│ ├ <コンピュータ> (65)
│ ├ <ディスプレイ> (23)
│ ├ <トランス> (19)
│ ├ <光エレクトロニクス> (15)
│ ├ <制御> (38)
│ ├ <卸売・輸出入> (42)
│ ├ <回路基板> (128)
│ ├ <団体> (2)
│ ├ <基板部品> (174)
│ ├ <家電> (54)
│ ├ <検査・測定> (22)
│ ├ <機構部品> (112)
│ ├ <計装・計測> (55)
│ ├ <設備・器具> (18)
│ ├ <送電・変電> (17)
│ ├ <配線・アクセサリ> (87)
│ └ <電源> (68)
├ <関係先・リンク集> (0)【X】
├ 《雇用》｛5｝ (305)
│ ├ <人材斡旋> (252)
│ └ <求人情報> (44)
├ <電子商取引> (24)【X】
│ ├ <コンサルティング> (1)【X】
│ └ <システムとソフトウェア> (20)【X】
├ 《金融サービス》｛6｝ (1,028)
│ ├ <キャッシュフロー> (14)
│ ├ <クレジットカード> (115)
│ ├ <サービサー> (33)
│ ├ <システムとソフトウェア> (13)
│ ├ <ベンチャーキャピタル> (25)
│ ├ <ポータル> (4)
│ ├ <リース> (42)
│ ├ <企業向け融資> (19)
│ ├ <保険> (114)
│ ├ <信用保証> (6)
│ ├ <信用組合> (73)
│ ├ <信用金庫> (221)
│ ├ <労働金庫> (15)
│ ├ <団体> (2)
│ ├ <外国為替> (16)
│ ├ <消費者金融> (54)
│ ├ <銀行> (160)
│ ├ <雇用・スタッフ> (10)
│ └ <電子決済> (59)
├ 《運輸・物流》｛7｝ (2,421)
│ ├ <コンサルティング> (0)
│ ├ <システムとソフトウェア> (2)
│ ├ <ニュースとメディア> (0)
│ ├ <交通インフラ> (9)
│ ├ <団体> (0)
│ ├ <技術・設計> (0)
│ ├ <旅客輸送> (9)
│ ├ <海運> (701)
│ ├ <航空> (215)
│ ├ <貨物輸送> (234)
│ ├ <資格・スキル> (0)
│ ├ <輸送機械> (10)
│ ├ <道路輸送> (981)
│ └ <鉄道> (260)
├ 《農林・水産》｛8｝ (561)
│ ├ <ニュースとメディア> (2)
│ ├ <団体> (12)
│ ├ <林業> (56)
│ ├ <漁業> (73)
│ ├ <設備・器具> (11)
│ ├ <農業> (406)
│ └ <関係先・リンク集> (0)
├ <通信> (165)【X】
│ ├ <携帯電話・PHS> (73) 【→IT/】
│ └ <設備・器具> (48)【→IT/】
├ 《財務・会計》｛9｝ (598)
│ ├ <監査・公認会計士> (137)
│ └ <税務・記帳> (455)
├ <資格・スキル> (34)【X】
│ ├ <社会保険労務士> (3) 【→教育・受験/】
│ └ <関係先・リンク集> (5) 【→教育・受験/】
├ <起業・SOHO> (14)【X】
│ ├ <独立・起業> (2)【X】
│ ├ <資格・スキル> (8)【X】
│ └ <SOHO> (14)【X】
├ 《製品・サービス（産業向け）》｛10｝ (3,416)
│ ├ <光学機器> (33)
│ ├ <包装・容器> (356)
│ ├ <卸売・輸出入> (1)
│ ├ <成形・加工> (1,316)
│ ├ <技術・設計> (75)
│ ├ <機械・器具> (417)
│ └ <産業資材> (1,212)
├ 《アパレル・装飾品》｛11｝ (969)【新設】
│ ├ <服飾・アパレル> (666) 【←製品・サービス（一般消費者向け）/】
│ ├ <かばん・スーツケース> (96)【←製品・サービス（一般消費者向け）/】
│ ├ <宝飾・貴金属> (147) 【←製品・サービス（一般消費者向け）/】
│ ├ <時計> (60) 【←製品・サービス（一般消費者向け）/】
├ 《薬品・バイオテクノロジー》｛12｝ (421)
│ ├ <ベンチャーキャピタル> (5)
│ ├ <団体> (5)
│ ├ <薬品> (421)
│ └ <雇用・スタッフ> (10)
├ <製品・サービス（一般消費者向け）> (3,202)【X】
│ ├ <おもちゃ・遊具> (91)【X】
│ ├ <かばん・スーツケース> (96)【→アパレル・装飾品/】
│ ├ <オフィス・文房具> (180)【X】
│ ├ <システムとソフトウェア> (0)
│ ├ <スポーツ用品> (339) 【→アート・娯楽/】
│ ├ <ニュースとメディア> (0)
│ ├ <ペット・動物> (134)【X】
│ ├ <健康・美容> (506) 【→医療・ヘルスケア/】
│ ├ <冠婚葬祭> (187)【X】
│ ├ <卸売・輸出入> (7)【X】
│ ├ <団体> (0)
│ ├ <宗教・儀典> (107)【X】
│ ├ <宝飾・貴金属> (147) 【→アパレル・装飾品/】
│ ├ <家庭・園芸> (545) 【→アート・娯楽/】