1. 序章

この記事では、構成要素と依存関係の解析について説明します。

それらの違いを分析するために、最初に簡単な例でそれらがどのように機能するかを見ていきます。 次に、解析の課題といくつかの可能なユースケースについて説明します。

2. 概要

計算言語学では、構文解析という用語は、特定の文から解析ツリーを作成するタスクを指します。

構文解析ツリーは、たとえば単語やサブフレーズ間の関係を公開することにより、形式文法に従って文の構文構造を強調するツリーです。 使用する文法のタイプに応じて、結果のツリーにはさまざまな機能があります。

構成要素と依存関係の解析は、異なるタイプの文法を使用する2つの方法です。 それらは完全に異なる仮定に基づいているため、結果のツリーは非常に異なります。 ただし、どちらの場合も、最終的な目標は構文情報を抽出することです。

まず、構成要素の解析ツリーを分析することから始めましょう。

2.1. 構成要素の解析

構成素解析ツリーは、文脈自由文法の形式に基づいています。このタイプのツリーでは、文は構成要素、つまり文法の特定のカテゴリーに属するサブフレーズに分割されます。

たとえば、英語では、「犬」、「テーブルの上のコンピューター」、「素敵な夕日」はすべて名詞句であり、「ピザを食べる」と「ビーチに行く」は動詞句です。

文法は、一連のルールを使用して、有効な文を作成する方法の仕様を提供します。 例として、このルールは、動詞（V）を使用して動詞句（VP）を形成し、次に名詞句（NP）を形成できることを意味します。

これらのルールを使用して有効な文を生成できますが、文法に従って特定の文の構文構造を抽出するために、逆に適用することもできます。

「私はキツネを見た」という簡単な文の構成要素解析ツリーの例に直接飛び込みましょう。

Constituency解析ツリーには、常に文の単語がその終端ノードとして含まれます。通常、各単語には、品詞タグ（名詞、形容詞、動詞など）を含む親ノードがあります。これは、他のグラフィック表現では省略できます。

すべての他の非終端ノードは文の構成要素を表し、通常、動詞句、名詞句、または前置詞句（PP）のいずれかです。

この例では、ルートの下の最初のレベルで、文が「I」という1つの単語と「キツネを見た」という動詞句で構成される名詞句に分割されています。 これは、文法にのような規則が含まれていることを意味します。つまり、名詞句と動詞句を連結して文を作成できます。

同様に、動詞句は動詞と別の名詞句に分けられます。 ご想像のとおり、これは文法の別のルールにも対応しています。

要約すると、構成要素の構文解析は、文脈自由文法に従って、文の構文表現を含むツリーを作成します。 この表現は高度に階層化されており、文を単一の句動詞構成要素に分割します。

2.2. 依存関係の解析

構成要素の構文解析とは対照的に、依存関係の構文解析では、句動詞の構成要素やサブフレーズは使用されません。 代わりに、文の構文は、単語間の依存関係、つまり、グラフ内の単語間の有向で型指定されたエッジの観点から表現されます。

より正式には、依存関係解析ツリーは、頂点のセットに文の単語が含まれ、の各エッジが2つの単語を接続するグラフです。 グラフは次の3つの条件を満たす必要があります。

  1. 着信エッジのない単一のルートノードが存在する必要があります。
  2. のノードごとに、ルートから。へのパスが必要です。
  3. ルートを除く各ノードには、正確に1つの着信エッジが必要です。

さらに、の各エッジには、2つの単語間で発生する文法的な関係を定義するタイプがあります。

依存関係の解析を実行した場合、前の例がどのようになるかを見てみましょう。

ご覧のとおり、結果はまったく異なります。 このアプローチでは、ツリーのルートは文の動詞であり、単語間のエッジはそれらの関係を表します。

たとえば、「saw」という単語は、「I」という単語に対して nsubj タイプの外縁を持ちます。これは、「I」が動詞「saw」の名目上の主語であることを意味します。 この場合、「I」は「saw」に依存すると言います。

3. 自然言語の構文解析の課題

自然言語の構文解析には、プログラミング言語など、構文解析時に発生しないいくつかの課題があります。 この理由は、自然言語はあいまいであることが多く、同じ文に対して複数の有効な解析ツリーが存在する可能性があるためです。

「パジャマで象を撃った」という文を少し考えてみましょう。 考えられる解釈は2つあります。1つは男性が象を撃っているときにパジャマを着ている場合、もう1つは象が男性のパジャマの中にいる場合です。

これらはどちらも構文の観点からは有効ですが、考えられる解釈の多くはセマンティクスや文が発生するコンテキストに対して不合理であるため、人間はこれらのあいまいさを非常に迅速に（多くの場合は無意識に）解決できます。 ただし、解析アルゴリズムが最も可能性の高い解析ツリーを非常に正確に選択することは簡単ではありません。

これを行うために、ほとんどの最新のパーサーは、手動で注釈が付けられたデータでトレーニングされた教師あり機械学習モデルを使用します。 データには正しい解析ツリーが注釈として付けられているため、モデルはより可能性の高い解釈へのバイアスを学習します。

4. ユースケース

では、構成要素と依存関係の解析の間で、何を使用するかをどのように決定するのでしょうか。 この質問に対する答えは非常に状況に応じたものであり、解析情報をどのように使用するかによって異なります。

依存関係の解析は、情報抽出や質問応答などのいくつかのダウンストリームタスクでより役立つ場合があります。

たとえば、述語間の意味関係を示すことが多い主語-動詞-目的語のトリプルを簡単に抽出できます。 この情報を構成要素の解析ツリーから抽出することもできますが、依存関係の解析ツリーですぐに利用できるため、追加の処理が必要になります。

依存関係パーサーを使用すると有利になる可能性がある別の状況は、自由語順言語を使用する場合です。その名前が示すように、これらの言語は文の単語に特定の順序を課しません。 基礎となる文法の性質により、この種のシナリオでは、依存関係の解析は構成要素よりも優れたパフォーマンスを発揮します。

一方、文からサブフレーズを抽出する場合は、構成パーサーの方が適している可能性があります。

両方のタイプの解析ツリーを使用して、教師あり機械学習モデルの特徴を抽出できます。 それらが提供する構文情報は、共参照役割のラベル付け、質問応答などのタスクに非常に役立ちます。 一般に、状況を分析し、どのタイプの構文解析がニーズに最も適しているかを評価する必要があります。

5. 結論

この記事では、依存関係と構成要素の解析がどのように機能するかを見てきました。 簡単な例を使用してそれらの違いを調べ、どちらを使用するのが最適かを確認しました。