情報抽出

情報抽出とは、非構造化された自然言語テキストの中から、構造化された情報（エンティティ、関係、イベント）を自動的に識別するタスクである。

Definition

情報抽出は、エンティティの言及、それらの間の関係、およびそれらが参加するイベントを検出および分類することにより、非構造化テキストを構造化表現に変換し、多くの場合、データベースまたは知識ベースを構築するために用いられる。

Scope

このトピックでは、テキストからの構造化された事実の抽出、すなわち、固有表現認識、関係抽出、イベント抽出、共参照解決、およびテンプレートや知識ベースの構築について扱う。ルールベース、統計的シーケンスラベリング、教師ありおよび遠隔教師ありアプローチ、ならびに適合率と再現率による抽出の評価について論じる。エクストラクタの学習に用いられる一般的な機械学習手法は機械学習のサブフィールドに属するが、ここでは抽出タスクとその言語的課題に重点を置く。

Core questions

• 人、組織、場所などのエンティティの言及は、テキスト内でどのように検出され、分類されるのか？
• エンティティ間の関係はどのように識別され、抽出されるのか？
• イベントとその参加者はどのように認識され、共参照はどのように解決されるのか？
• 抽出性能はどのように評価され、適合率と再現率の間にはどのようなトレードオフが生じるのか？

Key concepts

• 固有表現認識
• 関係抽出
• イベント抽出
• 共参照解決
• BIOシーケンスラベリング
• テンプレート記入
• 知識ベース構築
• 適合率と再現率

Key theories

シーケンスラベリングとしての固有表現認識

エンティティの言及の識別は、各トークンにタグを付ける（例えば、BIOスキームを使用する）として一般的に定式化され、スパンとそのタイプをマークするためにコンテキストを利用するシーケンスモデルによって解決される。

関係抽出とイベント抽出

情報抽出は、エンティティを超えて、エンティティがどのように関連し、どのようなイベントが発生するかを識別し、構造化されたテンプレートを埋める。このタスク駆動型の枠組みは、Message Understanding Conferencesによって具体化された。

知識ベース構築

抽出されたエンティティと関係は、知識ベースを構築または拡張するために集約され、言及を正規のエンティティにリンクし、大量のテキストコレクションから事実を蓄積することができる。

Clinical relevance

情報抽出は、バイオメディカル文献マイニング、金融およびニュース分析、知識グラフの構築、ドキュメントからのデータベース構築などのアプリケーションのために、テキストをクエリ可能なデータに変換し、大量の非構造化テキストを下流システムで利用可能にする。

History

情報抽出は、1980年代後半から1990年代にかけて開催されたMessage Understanding Conferences (MUC) によって形成され、固有表現認識やテンプレート記入などのタスクが定義され、標準化された評価が導入された。この分野は、手作業で構築されたルールから統計的シーケンスモデル、そして後にニューラルネットワーク手法へと移行したが、そのタスク構造は維持された。

Key figures

• Ralph Grishman
• Beth Sundheim
• Christopher D. Manning
• Daniel Jurafsky

Seminal works

• grishman1996
• jurafsky2023

Frequently asked questions

固有表現認識とは何か？

固有表現認識とは、人、組織、場所、日付などの実世界のエンティティを指すテキストのスパンを特定し、分類するタスクである。多くの関係やイベントがこれらのエンティティの観点から述べられるため、通常、情報抽出の最初のステップとなる。

情報抽出はどのように評価されるのか？

抽出は通常、適合率（抽出された項目のうち正しいものの割合）と再現率（正しい項目のうち抽出されたものの割合）で評価され、しばしばF値に結合される。これは、抽出が少なすぎることと、誤った情報を抽出することの間のトレードオフを反映している。