意味判定が容易な述語知識表現法とそれへの自然言語文の自動変換法

全文

(1)自然言語処理 154−６（２００３．３．６）. 意味判定が容易な述語知識表現法とそれへの自然言語文の自動変換法野中昌行. 花田真理. 石川勉. 本稿では対話文などの比較的簡単な自然文を対象とした一階述語論理ベースの知識表現形式を提案する本形式は電子化文書等を利用して容易に変換可能な形式であり素式を構成する述語引数は基本的には単語をベースとするまた一般的な文型と考えられる述部が動詞となる文を対象とした本形式への変換法を提案する本手法では動詞の深層格を引数としこれに共起辞書の概念関係子をラベルとして付加する本手法についてライトハウス英和辞典等の例文を用いて評価した結果約の変換率を得たまた述語知識から自然文へ自動的に変換する手法も検討したこれについては前述の手法で変換した述語知識を対象に実験した結果約. の正解率を得た. . びそれらの間の自動変換法について提案するこ. はじめに我々は不完全な知識を類似知識で補い概略的な解を導く概略推論法の研究を行なっているこの推論法では将来的には述語知識で表現された大量の常識知識の活用を目ざしておりこれらは電子化文書から自動的に獲得することを想定しているまたこの推論法を問題解決機能部に利用する自由対話システムの開発を行っているこのシステム. れらに関しては自然文を意味解析し語彙知識を獲得することについては研究されているがこれを論理式に変換する研究は一部を除いてあまりなされていない本稿ではまず多様な自然文を一意に表現することを前提としてさらに以下の条件を考慮した述語知識形式を提案する対話文などの比較的簡単な文を対象とする. ではユーザーから入力された情報から事実知識を取り出しそれを利用して問題解決を行なう従っ. 電子化辞書などの利用可能なツールを用いて容易に変換可能な形式とする現実的な推論メカニズムを前提に一階述語論. てこのシステムでは入力文を述語知識形式に自動的に変換する必要があるここでは以上の推論法やその応用システムで重. 理の枠組みを越えない表現法とする推論を日常的な問題に適応することを想定し. 要な課題となる自然言語文の述語知識表現法およ. 知識の構成要素は単語をベースとする次に最も一般的な文型と考えられる動詞が述部. 拓殖大学工学部情報工学科. となる場合について自然文をこの形式に自動的に. −31−.

(2) 変換する手法を示すこの方法では引数に深層格. “ 治す. 太郎. 花子 ”. を用い. “ 治す. 医者. 患者 ”. 共起辞書の概念関係子をラベルとして付加する次に述語知識から自然文へ変換する手. 法について示し最後にこれらの手法の有効性を確認するために行った実験・評価についてふれる. を単一化する場合事実知識の中に“ 医者太郎 ”と“ 患者花子 ”があればこれらは同一とみなすこととする述部が動詞の場合. 述語知識表現法. 基本形. 基本的な表現形式引数へのラベル付け従来の述語論理では. つの論理式に複数の解釈が存在する場合がある例えば “ 診察する太郎花子 ”から以下のつの解釈が考えられる ①太郎が花子を診察する ②花子が太郎を診察するこのため異なった解釈で作成された知識を用いれば誤った結論を導く可能性があるここでは自然文を一意に表現し論理式を利用する人が異なっても解釈がつに定まるようにラベルをつけることするすなわち述語知識のフォーマットを述語ラベル引数. … ラベル引数. 語と語の間の意味関係を動詞中心に捉えたフィルモアの格文法の深層格を利用し引数に格情報を持ったラベルを付けることとするこのための情報としては日本語の主要動詞について動詞の格に関連する情報を約レコード記述した電子化辞書の日本語動詞共起パターン副辞書以後共起辞書がありここではこの共起辞書を利用するこの辞書には各動詞の各概念について表層格に対応する深層格の種類とその深層格を取る場合の格助詞意味情報構成要素深層格を満たす概念の範囲を示した概念識別子群が記述されている図共起辞書の一部を示す. に. …. とする例えば主体を表すラベルを“ ”とし対象を表すラベルを“ ”とした場合先の例では“ 診察する太郎花子 ”のように表現されこれは上記の①の解釈のみを持つことになる. 図. 述語と引数の表現. “ 食べる ”の共起情報. これらを用い各概念関係子を使い引数には表. 基本的には述語は単語か複合語を想定するなお複合語の場合は単語を“・”で連結することとする. のラベルを付加する具体的には時制が現在形の肯定文でかつ格が単純な単語のみの最も基本的. また引数は単語や複合語変数定数スコーレム定数を想定する複合語の場合具体的には複数の名. な場合は以下のように表す “ 太郎は東京から京都へ行く ”. 詞が助詞を用いず連結されている場合以下のように構成する名詞間を“・”で連結して表現する例大型自動車 . 行く表. 大型・自動車. 格主体対象源泉目標場所場面道具材料条件. なお引数に一般名詞を用いる場合その一般名詞に代表される個体それを表す記号を引数とする素式との関係が問題となる例えば“ 医者が患者を治す ”を述語知識表現する場合 ① 治す ② 治す. 医者. 患者医者. 患者. の通りが考えられるここでは広範な質問へ対応可能とするため一般名詞で扱える場合には①で表すこととし一般名詞で扱いきれない場合に個体を. 概念関係子. 太郎. 東京. 京都. 格と概念関係子ラベル. 説明動作を行う主体動作思考の対象動作の起点動作の終点事象の成立する場所事象の成立する場面動作における手段道具材料条件. 時制否定等を考慮した表現. 利用することとするなおこれらが混在している場合は推論処理の過程で適宜対応することとする. 動詞には過去形や否定形助動詞で修飾されている場合など多様な状態があるこのような場合述. 例えば. 語の直前に表. −32−. のような記号を付けることとする.

(3) 例えば“ 太郎は林檎を食べた ”は“ 食べる郎. 太. 例 “ 太郎は美しい鳥を飼う ”. 林檎 ”と表す状態. 飼う太郎Ｓ美しいＳ. 表動詞の状態を表す記号記号日本語英語. 鳥. Ｓ. 動詞を含む名詞句この場合動詞を含む名詞句全体を定数“ Ｓ ” で表しその定数を述語が動詞と名詞のつの. 否定過去希望. ∼したい. 可能. ∼できる. 素式で限定しそれらの素式を連言で結ぶ以下に例を示す. 提案. ∼すべき. 例） “ 太郎は飛んでいる鳥を撃った ”. 許可. ∼してもよい. 推測. ∼かもしれない. 撃つ . 引数が名詞句の場合. ていることとなるそこでつの事象毎に素式を作りそれら素式を連言で結ぶこととする引数が修飾される場合と述語が修飾される場合があるそれぞれの表現について示す. 難であるここでは文献のように日本語語彙体系のカテゴリーを利用して比較的簡単. 引数が修飾される場合 “ 太郎は花子が経営している会社の社員です ”を. に判定できる範囲を対象としつの引数を用いて表現する具体的には帰属や所有等の“ の ”. 例にして説明するこの文は“ 太郎は会社Ｓの社員です ”と“ 花子は会社Ｓを経営している ”に分けられそれぞれを述語知識にするここで会社Ｓは２. によって結ばれた名詞句は定数“ Ｓ ”で表しその定数を“ Ａ ”“ Ｂ ”を用いた素式で限定する. Ｓとしそれぞつの知識で共通なので会社れの知識を連言で結合するよって例文は. すなわち以下のようにその素式を元の素式と連言で結ぶＳ. 社員. Ａ ”. これは本来“. 花子. 会う. 太郎 ”であり. 太郎 ”. 経営する. 花子. Ｓ. 会社. Ｓ. 叔父. て説明するこの文は“ 太郎は日芝の社員です ”と “ 太郎は営業部で働く ”に分けられる従ってそれぞれを述語知識にして連言で結合するよってこの例文は. をスコーレム定数. Ｓに置き換えたものであるまた引数のラベル“ ”“ ”については節で説明するなお容易に判定できない“ ＡのＢ ”の場合. 社員. 太郎働く. には“ Ａ ”と“ Ｂ ”を“・”で連結し以下のように複合語として扱う例大型の船 . Ｓ. と表現される述語が修飾される場合 “ 太郎は営業部で働く日芝の社員です ”を例にし. 例） “ 花子は太郎の叔父と会う ” ＳＳ. 太郎. . 以下に例を示す. “ 会う花子叔父. Ｓ. 引数が名詞節の場合つの文で複数の事象を表し. の意味的関係は多数あるこれらの判定に関してはこれまで多くの研究がなされているが自動的かつ正確に判定することはかなり困. Ｂ. ＳＳ鳥. 引数が名詞節の場合. “ ＡのＢ ”の場合 “ ＡのＢ ”型の名詞句における“ Ａ ”と“ Ｂ ”. “ 元の素式（Ｓを含む. 太郎飛ぶ. 日芝太郎. 営業部. と表現される述部が名詞の場合. 大型・船. “ ＡはＢである ”のような述部が名詞となる文型. 形容詞を含む名詞句 “ 形容詞 ” “ 名詞 ”の文型の場合であるこの場合は形容詞と形容詞で修飾された名詞句. についてはラベルとしては“ ”“ ”“ ” を使った表現とする名詞が述語となる素式では一般には引数はつであるがその名詞が関係を表す. 全体を定数“ Ｓ ”で表しその定数を述語が形容詞と名詞のつの素式で限定しそれらの素. 場合には引数は関係の対象となる個体でありつとなる引数がつの場合は“ ”をつの場合は. 式を元の素式と連言で結ぶ以下に例を示す. “. −33−. ”“. ”を用いる.

(4) 基本的な形式. Ａが“ Ａと∼ Ａ ”の場合. 述語知識では引数に変数や定数が入り述語は引数の特徴を表す一般にＢが普通名詞となる場合はＢが変数や定数の特徴を表すことになるので以下の形式とするＢが普通名詞の場合：Ｂ. “ Ａ ”と“ Ａ ”が格助詞“ と ”で結ばれた場合基本的にはＢを述語“ Ａ ”と“ Ａ ”をそれぞれ引数とし以下のようにＢＢ. Ａ. 例えば“ 太郎は医者である ”の場合は“ 医者. つの素式にする. ＡＡ. 以下に例を示す. 太郎 ”と表す一方変数や定数を強調する場合はＢが固有名詞. 例）花子と良子は学生です学生花子. となるこの場合はＢの特徴をＡが表すことにな. 学生. るのでＢが固有名詞の場合：Ａ. なおＢが関係を表す名詞の場合は引数をつにして表現するその判定には日本語語彙体系のカテ. Ｂ. とする例えば“ 犯人は太郎である ”の場合は “ 犯人太郎 ”と表す. ゴリーを利用するこの場合引数の関係は対等となるのでラベルは同じものを使うよって述語形式は. 名詞句を含む場合. Ｂ. Ｂが“ ＢのＢ ”のときＢが普通名詞の場合はＢはＡの特徴を表す語となるのでＢを述語とするまたＢはＢを限定するものなので引数とするただしＡが主引数であるのでＡを“ ”Ｂを“ ”とするすなわち述語形式をＡ. Ｂ. Ｂ. とする例えば“ 太郎は日芝の社長である ”の場合は“ 社長太郎日芝 ”と表すなおこの場合述語形式として“Ｂ・Ｂ. Ａ ”. の形式が考えられるしかしＢが変数になることがある上記の例では社の社長ので一階述語論理を前提としている場合この形式は適切とはいえない. . Ａ. Ｓ. ここで社長. Ｓ息子. 述語が形容詞となる述語形式を定めるラベルとしては“ ”“ ”を使った表現形式とする以下に表現形式を示す基本形 “ ＡはＢ ”という文型であるその場合形容詞は個体の特徴を表すので形容詞のＢが述語となりＡが引数となるよって述語形式はＢ. Ａ. Ａ. とする例を以下に示す例 “ 花子は美しい ” . 日芝Ｓ. 太郎・息子. 花子. 述部が形容詞の場合. 例 “ 太郎の息子は日芝の社長である ” 社長. 太郎. 花子 ”と異なった表現になってしまうこれについては推論処理の過程で“ ”と“ ”を同一とみなすこととする. 以下に例文と変換例を示す. . 友達. なおこの場合意味的にまったく同一である“太郎は花子の友達である ”を変換した“友達太郎. すなわち以下のような述語形式とするＢ. Ａ. 例 “ 太郎と花子は友達である ”. この場合はＡとＢの部分でそれぞれつの素式を作り共通の定数Ｓを用いてそれらを連言で結ぶＳ. Ａ. とする例を以下に示す. Ａが“ ＡのＡ ”のとき. Ｂ. 良子. 美しい. 花子. 比較形 “ ＡはＡよりＢ ”という文型であるこのような比較形では比較される個体を引数とす. 太郎日芝の述語形. 式も考えられるが“ 太郎 ”の部分が変数となる場合もあり推論処理の複雑化をまねくそこで太郎・息子の代わりに変数を置き太郎・息子で一つの素式を作りそれを連言で結合することとした. る主語に当たるＡの個体のラベルを“ ” とし比較される方のラベルを“ ”とする述語形式はＢ. Ａ. Ａ. とする例を以下に示す. −34−.

(5) 例花子は良子より美しい . 美しい. 花子. ラベルの付与良子. “ ∼は∼が∼ ”の場合 “ ＡはＡがＢ ”という文型であるその場合述語形式はＡがＡを所有しているものとみなしＢ. Ａ. Ａ. とする例を以下に示す. ラベルの付与は共起辞書の共起情報と形態素解析の結果とのパターン照合で決定する具体的には動詞の全ての共起情報を取り出すさらに入力された文の格助詞を全て含む共起情報を特定し同じ格助詞の前の語句をラベルの引数とする図文が受動態の場合はそれを能動態にしてからラベルを付与する受動態の検出は形態素解析結果から“ れる ”または“ られる ”が検出された場合その文を受動態とする変換対象とする文型は以下と. 例 “ 花子は目が綺麗 ” 綺麗花子. 目. するＡはがＢにによって ∼されるＡはが ∼される. 述語知識への変換述部が動詞となる文を対象とし文中の必須格を引数として取り出しそれにラベルを付ける方法について述べる. これらの文型の場合まず能動態になおしてから述語知識に変換する文型. 述語知識への変換の流れ. ：ＡはがＢにによって ∼される格助詞の数が. は“ が ”と“ に ”または“ によって ”の場合文型とするこの文型は“ Ａ ”と“ Ｂ ”を. 基本的な変換の手順を図に示すこの方法では文の動詞を述語名詞又は名詞句複合語を引数とするまず動詞の共起情報を共起辞書から取り出す取り出した共起情報を利用して引数に深層格を用いたラベル付けをする次に名詞が意味的にラ単語辞書以後単語ベルの引数となるか辞書を使いチェックする全てのラベルの引数が適切だった場合述語知識に変換する. つで格助詞が“ は ”また. 入れ換え格助詞“ に ”または“ によって ”を “ を ”に置き換える以下に例を示す例） “ 花子は太郎によって助けられた ” 太郎は花子を助けた助ける太郎文型. 花子. ：Ａはが ∼される格助詞の数がつで格助詞が“ は ”または“ が ”の場合文型とするこの文型は主格を“ 未定 ”の意味とし全角の“ ＃ ”を仮の引数として置くさらに“ Ａ ”を目的格と. 図. しその後ろに格助詞“ を ”つけ能動態に置. 述語知識変換の流れ. き換え変換する以下に例を示す. 図. 述語知識変換の流れ. −35−.

(6) 例）機密文書は破棄される. 合や取り出した共起情報の格パターンが一. . 致しなかった場合. ＃は機密文書を破棄する破棄する＃機密・文書. 動詞辞書を使い類義語の共起情報を利用する動詞辞書には語の動詞についてその上位語類義語対義語等が記載されている. 単語のチェック基本的な処理. 自然言語文への変換法. 格助詞が一致してもラベルが意味的に候補の単語を取らないことがあるそこで入力された単語の概念識別子が意味情報構成要素の下位概念と一. 対話システムは問題解決規則や常識知識あるいは推論結果から回答文や質問文を生成するここで. 致したときラベルの引数とする図全ての格助詞についてこの処理を行うこの処理において共. は述語知識から自然言語文への変換法について提案する. 起情報が複数ある場合は全てのラベルが候補の単語を引数とした共起情報を使う. この方法は基本的には章で述べた自然文から述語知識への変換法の逆の手順で行なう述語知識から自然言語文へ変換する手順を図に示す. 補足処理共起辞書は複数の人により人手で作成されているため不完全な部分がある例えばラベルが候補の単語を取り得る場合でも概念識別子が意味情報構成要素と一致しない場合があるまた動詞が共起辞書に収録されておらず共起情報が取り出せない場合もあるそこでこの取りこぼしを少なくするために以下のルールを用いたルール）候補の単語の概念識別子が意味情報構成要素のつ上の概念と同じ概念識別子を持つならば引数とする “ 男が傘を電車に忘れる ”という文を例にして説. 図. この処理において変換対象の一致する共起情報が複数ある場合どの共起情報により正しい自然文に変換できるか判定する必要があるこのためラベル照合の後対象の引数をチェックし使用する共起情報を決定する. 明するこの文の共起情報は忘れる. 例変換対象：通る. が. を. となるこの共起情報の“. 自然言語文への変換の流れ. に ”. ”の意味情報構成要. 素は“ 生産物 ”である一方“ ”を候補とする例文の単語“ 傘 ”の概念識別子は“ ” である図から“ 傘 ”は“ 生産物 ”を上位概念に持たないが“ 生産物 ”のつ上の概念“ 静物 ”は“ 傘 ” を下位概念として持つよって“. ”は“ 傘 ”を. 試験. ①通る. 世間に. 作品が. ②通る. 息子が. 試験に. ①を用いれば“ 彼に試験が通る ”となり ②を用いれば“ 彼が試験に通る ”となる変換対象中の “ 彼 ”“ 試験 ”の概念識別子が②の方と一致するため ②を用いる以上の方法は基本的には. 引数としてとることとする. 彼. 共起情報：. 項と同様の方法で. 単語のチェックを行なう方法であるがここではもう一つの方法として共起辞書中の例文を利用する方法を提案するすなわち共起辞書の共起情報は例文を基に作成されているそこで入力文と共起情報の例文のカテゴリーを比較することで入. 図. 力文と似ている共起情報を使用する比較は次のように行なう対象とする引数と例文の単語のカテゴリーを調べるこれらの単語間のシソーラス上での. 補足処理. 距離を求める各単語間の距離の平均が最も短かった共起情報を用いて変換を行なう. ルール）動詞が共起辞書に登録されていなかった場. −36−. 先の例を用いて説明する引数と共起情報の単語.

(7) のカテゴリー番号それらの上位概念は以下の通り. にも該当しなかった文に対してルール. である一番左が単語のカテゴリー番号で右が上位概念を示す. たものである. 引数彼：試験：共起情報① 世間：作品：共起情報② 息子：試験：. で本来となるべき ③の段階でもに留まった前述した複数の人の人手で作成されたためゆらぎがあるためと考えられる. なお. 共起辞書の. 個の例文では ①の段階. 受動態の文の実験結果. まず各ラベルの単語同士で距離を計算する引数と共起情報①では距離はそれぞれ“ ”と“ ”となり平均距離は“ ”となる引数と共起情報② についても平均距離を計算すると“ ”になるよっ. 実験結果を表に示すこの実験では合計文中文が評価の対象外となり文中文が変換できなかった合計の変換率は表. となった. 受動態を変換した結果評価対象文変換できた数変換率. て平均距離の短い共起情報②を使用し“ 彼が試験を通る ”と変換するなおこの方法では共. ①. 起辞書のゆらぎを考慮し日本語語彙体系のカテゴリーを利用する. ③類義語動詞の利用. ②適用範囲の拡大合計. 実験. 以下に実際の変換例を示す. 述語知識への変換. 自然文述語知識. 対象データ. 壁に壁紙を貼る . 変換の対象とする例文をそれぞれ以下のように取り出したの例文から能動態ライトハウス英和辞典文共起辞書から文動詞辞書から文を無作為に抽出動詞辞書から文作成. 受動態. を適用し. 文抽出人手で. 猫が屋根から降りた部下が上司の指示に従う. 貼る降りる従う. 壁紙. 壁. 猫部下. 屋根上司・指示. 述語知識に変換できなかった場合の主な原因は. 項の補足処理を行なってもラベルが候補. の単語を引数として取らなかった場合や類義語が無くて共起情報を取り出せない場合があったことによる. 実験結果. 自然文への変換. ここで単語辞書に単語が登録されていなかった場合や形態素解析が正確に行なわれなかった場合. ライトハウス英和辞典の例文から文共起辞書から文無作為に取り出し述語知識に変. は評価の対象外とした. 換した素式を変換対象として実験を行った結果を表に示す. 実験結果取り出した例文計. 文で評価を行ったそ. の際上記の理由によりた表に結果を示す. 文が評価の対象外となっ. 表. 実験結果評価対象文変換できた数変換率. 自然文への変換結果正解数. 不正解数. 正解率. ①ラベルのみ ②ラベル識別子 ③ラベルカテゴリー. ここで ①は共起情報と入力された述語知識の概念関係子ラベルだけで利用する共起情報を特定. ① ②適用範囲の拡大. したものである ②はラベルで利用する共起情報を特定した後項と同じ処理を適用したものである ③は例文の記述を用い日本語語彙体系のカ. ③類義動詞の利用合計ここで ①は項の処理を適用して変換できた場合である ②は①で該当しなかった文に対して項のルール. 表. テゴリーにより利用する共起情報を特定したものである. を適用したものである ③は②. −37−. また実際に変換した例を以下に示す.

(8) 述語知識言う晴れる. 彼. 冗談. 行く. 彼女. 霧大学. 自然文. 日本電子化辞書研究所. 彼が冗談を言う霧が晴れる. 動詞共起パターン副辞書. 彼女が大学に行く. 語単語辞書. 日本電子化辞書研究所. 対話文のような比較的簡単な自然文を対象とした一階述語論理の枠組みを越えない知識表現形式の提案を行ったこの形式は電子化文書等を利用して容易に変換可能であり知識は全て単語ベースで表現されるさらに自然文を共起辞書を利用して自動的にこの表現形式に変換する手法と逆に述語知識から自然文に変換する手法を提案したまた述語知識への変換手法に対し英和辞典等の例文を利用して評価した結果約の変換率が得られたまた自然文への変換手法に関してはの正解率が得られた今後はより複雑な文を対象とした変換法について検討していく参考文献石川勉阿部明典：知識の類似性を利用した概略推論法電子情報通信学会論文誌ＤⅠ 小林高志感情表現と質問応答能力を備えた知的自由対話システム人工知能学会研究会資料. 大石享松本裕治格パターン分析に基づく動詞の語彙知識獲得情報処理学会論文誌冨浦洋一中村貞吾日高達名詞句「」の意味構造. 情報処理学会論文. 池原悟村上仁一宮本健司「ＡのＢ」型名詞句の日英翻訳規則について情報処理学会論文誌横山昌一加藤貴子廣重拓司格助詞「の」の分類と解析情報処理学会第回年次大会. コミュニケーション科学研究所日本語語彙体系. 電子化辞書日本. 竹林滋小島義郎ライトハウス英和辞典研究社. おわりに. の誌. 電子化辞書日本語. 意味体系. 黒石禎夫他自然言語処理岩波講座ソフトウェア化学. −38−.

(9)