A new semantically annotated corpus with syntactic-semantic and cross-lingual senses

技術的概要：構文・意味および跨言語的意味を備えた新たな意味注釈コーパス

問題提起
本論文は、機械翻訳（MT）応用の文脈において、単語意味曖昧性解消（WSD）のための適切かつ効果的な意味インベントリを定義するという課題に取り組む。著者らは、既存のアプローチに以下の限界を指摘する。

• 翻訳ベースのインベントリ: 多言語 WSD（例：SemEval タスク）で一般的に用いられるもので、並列コーパスにおける実際の翻訳に基づいて意味を定義する。応用指向であり実証されているが、WSD システムが通常使用する分布論的（構文・意味的）証拠ではなく、跨言語的証拠に依存している。この不一致により、言語的特徴が異なる文脈に同一のラベルが割り当てられる異質な意味記述が生じ、タスクの難易度が増大する可能性がある。
• 辞書スタイルのインベントリ: 計算機辞書（例：VerbNet、Lexicon-Grammar）を用いるアプローチは、源言語の構文および意味的特徴に基づいて意味を定義する。特徴抽出にとって計算機上で便利であるが、これらの区別は多言語的文脈では粗粒度すぎ、目標言語における異なる翻訳をもたらす微妙なニュアンスを捉え損なう可能性がある。

著者らは、どちらのアプローチ単独でも WSD に最適な粒度を提供するものではなく、翻訳と計算機辞書の項目の両方からの証拠を組み合わせることで、多義語の意味を決定すべきであると提案する。

手法
著者らは、20 個のフランス語多義動詞（例：arrêter, comprendre, conduire, venir）に焦点を当てた新たな意味注釈コーパスを構築した。手法は以下の 4 つの明確なステップからなる。

1. コーパス構築:

   • データソース: 6 言語間でアラインメントされた多言語コーパスである EuroParl-Intersection コーパス（Koehn, 2005）。
   • 選択: 2000 年の ARCADE キャンペーンで当初特定された多義性に基づき、20 個の動詞が選択された。
   • アラインメント: フランス語（源言語）と英語（目標言語）のバージョンを、GIZA++（Och and Ney, 2003）を用いて単語レベルでアラインメントした。アラインメントの妥当性を確保するため、著者らは双方向アラインメント（fr-en および en-fr）を実行し、一方の方向での目標語が逆方向のアラインメントに現れない事例を除外した。
   • 抽出: 20 個の目標動詞とそれらが検証された英語翻訳を含む文脈を抽出した。

2. 意味インベントリの定義:
   著者らは、各動詞インスタンスに対して 4 つの異なる意味インベントリを生成した。

   • 翻訳ベース（TRSL）: 並列コーパスにおける動詞インスタンスの実際の英語翻訳に基づくラベル。
   • 辞書・文法（LG）: 辞書・文法（Lexicon-Grammar）テーブル（フランス語の計算機辞書）における動詞の項目に基づくラベル。これらの項目は構文および意味的特徴（例：サブカテゴライゼーションフレーム）によって定義される。項目は {V,C}_table_entry（例：V_12_17）と表記される。
   • 微細粒度（LG#TRSL）: LG 項目と翻訳を連結したもの（例：V_12_17#understand）。これは構文・意味的証拠と跨言語的証拠を組み合わせた、極めて微細なラベルを作成する。
   • クラスタリングされた微細粒度: 同じ LG 項目を共有するすべてのインスタンスを、特定の翻訳に関係なくグループ化する、微細粒度ラベルのクラスタリング。

3. データ注釈:

   • LG 注釈: 動詞インスタンスを辞書・文法テーブルの対応する項目にマッピングすることにより、手動で実施された。
   • TRSL 注釈: 単語アラインメントを通じて自動的に行われ、その後手動で検証された。
   • 結合注釈: LG#TRSL およびクラスタリングされたインベントリは、以前に割り当てられたラベルを連結またはクラスタリングすることにより自動生成された。

主な貢献

• 新たなコーパス: 合計約 76,740 件のインスタンス（表 2 のサンプル数の合計に基づく）を含む、20 個のフランス語多義動詞の意味タグ付きコーパスの作成。
• 4 重ラベル注釈スキーム: コーパスは、すべてのインスタンスが同時に 4 種類の異なる意味ラベルでタグ付けされている点でユニークであり、異なる粒度レベルおよび証拠源の比較分析を可能にする。
• ハイブリッドインベントリ構築: 跨言語的翻訳と構文・意味的辞書項目を組み合わせ、「微細粒度」の意味インベントリを作成する手法の提案と実装。これにより、いずれかのソース単独を使用する場合の粒度の問題に対処する。

結果と統計
本論文は、表 2 に示すコーパスの統計的記述を提供し、20 個の動詞における 3 つの主要インベントリ（LG、TRSL、および LG#TRSL）のサンプル数と一意の意味数を詳述する。

• サンプル数: コーパスは動詞あたり 1,851 から 8,240 件のインスタンスを含み、動詞あたりの平均は 3,837 件である。
• 意味粒度:
  • LG インベントリは、動詞あたり中程度の意味数（平均 11）を示し、構文・意味的区別を反映している。
  • TRSL インベントリは、より多くの意味数（平均 129）を示し、翻訳の多様性を反映している。
  • LG#TRSL インベントリは、最も高い粒度（平均 222）を生み出し、構文構造と特定の翻訳の交差点を表している。
• 例: 動詞 comprendre について、コーパスには 8,240 件のインスタンスが含まれており、8 件の LG 項目、183 件の一意の翻訳、および 308 件の一意の LG#TRSL 組み合わせにマッピングされている。

意義と主張
著者らは、本論文を WSD システムのパフォーマンスに関する報告ではなく、リソース構築の取り組みとして謙虚に位置づけている。その意義は以下の点にある。

1. 粒度問題への対処: 翻訳ベースのインベントリは源言語の分布論的分析には粗すぎ、一方、辞書スタイルのインベントリは目標言語の区別には粗すぎるという問題に対する解決策を提供する。
2. リソースの可用性: 意味が応用指向（翻訳）および言語学的（構文・意味的）の両方の証拠によって定義されるデータセットを提供し、両方の種類の情報を活用できる WSD 戦略の開発を促進する。
3. 将来の作業: 著者らは、同様のコーパスを 20 個のフランス語多義名詞および 20 個の形容詞に対して作成するために、この手法を拡張する意向を表明している。

本論文は、このデータで訓練された WSD 分類器の実験結果を示すものではなく、むしろ跨言語 WSD および意味インベントリ定義に関する将来の研究の基盤として、コーパスと多層的な注釈フレームワークを確立するものである。