文章間類似性判定モデルの 根拠の抽出

Transcript

1. 文章間類似性判定モデルの 根拠の抽出 兵庫県立大学 中井香那子 河田友香 山本岳洋 1
2. 日常生活での情報比較 日常生活で情報を比較する機会は多い  例えばオンラインショッピングでは… 2 圧巻の重低音を再生する新規設計ド ライバー．完全ワイヤレスで重要な装 着感を追求しながら，圧巻の重低音を 再生する大口径ドライバーを新規開発． 高い密閉性により低音を逃しません． 高音域から低音域までバランスの良 いクリアな音質．高音から低音までバ ランスが良く，特にボーカルや楽器の 音を自然でクリアにお楽しみいただけ ます． 低音重視 高音から低音までの バランス重視 イヤホンA イヤホンB
3. ブラックボックス問題と解決策 3 1.Marco Tulio Ribeiro, Sameer Singh, and Carlos Guestrin. “Why Should I Trust You”:Explaining the Predictions of Any Classifier. In Proceedings of the 2016 Conference of the North American Chapter of the Association for Computational Linguistics: Demonstrations, pp. 97–101, 2016. 関連する文章を比較するモデルが存在する  関連文書の検索やコピペチェッカーなど 課題：ブラックボックス問題 ？なぜその結果が得られるのかわからない 解決策：XAI（説明可能なAI）  BERT：Attentionの可視化やLIME1  問題点  トークン単位で抽出するため根拠として適切でない場合 （例：が、です）  2文の関連性を考慮していない
4. 目的 類似性判定の根拠となる 文節ペアの抽出 4 • 二階建てのバスが道路を走ってきます。 • 二階建てバスが停車しているところです。 理想の抽出例
5. 根拠の抽出のメリット 1. 判断の根拠は、モデルの性能の評価に使うことができる  誤分類→誤分類の原因を探すことができる  正分類→正しい根拠で判断できているのか評価できる 2. 根拠が可視化できれば、情報の比較の手助けになる 5 類似の根拠（共通点） 非類似の根拠（差異）
6. 関連研究：機械学習モデルの解釈手法による 競合サービスと比較したレビュー分析1  目的：ホテルのレビューから違いを抽出  学習：LSTMによりどちらのホテルについてのレビューかを判断  実験  データ：2つのホテルのレビュー各5234件 ①レビューがどちらのホテルか分類 ②SP-LIMEにより単語を抽出  結果  SP-LIMEにより各ホテルの特徴語を抽出できた 6 SP-LIMEによる抽出 負：アパホテル 正：コンフォートホテル 1.小野川稜之, 折原良平, 清雄一, 田原康之, 大須賀昭彦. 機械学習モデルの解釈手法による競合サービスと比較したレビュー分析. 日本ソフトウェア科学会大会論文集, Vol. 36, pp. 337–343, 2019.
7. 1.小野川稜之, 折原良平, 清雄一, 田原康之, 大須賀昭彦. 機械学習モデルの解釈手法による競合サービスと比較したレビュー分析. 日本ソフトウェア科学会大会論文集, Vol. 36, pp. 337–343, 2019. 関連研究：機械学習モデルの解釈手法による 競合サービスと比較したレビュー分析1  目的：ホテルのレビューから違いを抽出  学習：LSTMによりどちらのホテルについてのレビューかを判断  実験  データ：2つのホテルのレビュー各5234件 ①レビューがどちらのホテルか分類 ②SP-LIMEにより単語を抽出  結果  SP-LIMEにより各ホテルの特徴語を抽出できた 7 SP-LIMEによる抽出 負：アパホテル 正：コンフォートホテル 関連研究では文章集合から各ホテルの特徴を抽出しているが、 朝食は「和食」⇔「洋食」、大浴場は共通して「広い」「綺麗」など 2つのホテルに共通する話題からそれぞれの特徴は抽出していない 文節ペアに注目し、ペア文から共通点や差異の抽出を行いたい
8. 文節ペアに注目 8 対応する文節ペアに注目 走る⇔停車する 対になっているペア 二階建ての バスが 道路を 走って きます。 二階建てバスが 停車している ところです。 非類似の根拠  文節ペアに注目し根拠を抽出する
9. 根拠の抽出 9 類似0.2， 非類似0.8 BERT 二階建ての バスが 道路を 走って きます。 二階建てバスが 停車している ところです。 [SEP] マスク前 文節ペアを隠した入力ともとの入力を比較し根拠を抽出
10. 根拠の抽出 類似0.7， 非類似0.3 BERT 二階建ての バスが 道路を [MASK] きます。 二階建てバスが [MASK] ところです。 [SEP] 類似0.2， 非類似0.8 「走って」と「停車している」をマスク マスク前 マスク前後で類似と非類似 の確率が逆転 →非類似の根拠として抽出 10
11. 提案手法：文節ペアを用いた根拠の抽出 11 ⑧ 根 拠 ペ ア の 抽 出 ⑥ 類 似 確 率 の 予 測 ② 文 節 分 割 ③ 文 節 類 似 度 の 計 算 ④ 文 節 ペ ア の 作 成 ⑤ 文 節 ペ ア の マ ス ク ⑥ 類 似 確 率 の 予 測 ① 入 力 文 ペ ア ① 入 力 文 ペ ア A. マ ス ク 前 B. マ ス ク 後 ⑦ A と B の 類 似 確 率 の 比 較
12. 提案手法：文節ペアを用いた根拠の抽出 12 ⑧ 根 拠 ペ ア の 抽 出 ⑥ 類 似 確 率 の 予 測 ② 文 節 分 割 ③ 文 節 類 似 度 の 計 算 ④ 文 節 ペ ア の 作 成 ⑤ 文 節 ペ ア の マ ス ク ⑥ 類 似 確 率 の 予 測 ① 入 力 文 ペ ア ① 入 力 文 ペ ア A. マ ス ク 前 B. マ ス ク 後 ⑦ A と B の 類 似 確 率 の 比 較
13. 入力文ペア  類似または非類似というラベルが与えられた2文のペア 使用データ  早稲田大学とヤフー株式会社が構築したJGLUE内のJSTSデータセット1  JGLUEは日本語の言語理解モデル用のベンチマーク  JSTSデータセットには意味が完全に異なるものを0，意味が等価であるものを 5として0～5までの数字が2文の類似度として与えられている  訓練3,200件 検証400件 テスト400件（類似：非類似＝1：1） 13 1.栗原健太郎, 河原大輔, 柴田知秀. JGLUE: 日本語言語理解ベンチマーク. 言語処理学会第28回年次大会発表論文集, pp.2023–2028, 2022.
14. 入力文ペア  類似：類似度3.8～5.0  非類似：類似度2.0～2.6 14 類似：2,290件 非類似：2,208件 類似度 デ ー タ 件 数 （ 件 ）
15. 提案手法：文節ペアを用いた根拠の抽出 15 ⑧ 根 拠 ペ ア の 抽 出 ⑥ 類 似 確 率 の 予 測 ② 文 節 分 割 ③ 文 節 類 似 度 の 計 算 ④ 文 節 ペ ア の 作 成 ⑤ 文 節 ペ ア の マ ス ク ⑥ 類 似 確 率 の 予 測 ① 入 力 文 ペ ア ① 入 力 文 ペ ア A. マ ス ク 前 B. マ ス ク 後 ⑦ A と B の 類 似 確 率 の 比 較
16. 文節分割・文節類似度の計算 1. GiNZAによる文節分割 ① 二階建ての / バスが / 道路を / 走って / きます。 ② 二階建てバスが / 停車している / ところです。 2. Sentence-BERTによる類似度比較（文1の文節数×文2の文節数） 16 BERT BERT コサイン類似度 二階建ての 二階建てバスが Sentence-BERT
17. 二 ・・・ ます ・・・ です [SEP] [SEP] [CLS] BERT1とは  Transformer Encoderによって構成される自然言語処理モデル  ファインチューニングにより分類や質問応答など様々なタスクに おいて高精度な処理を行うことができる 17 BERT CLSベクトル シグモイド関数 類似、非類似 1.Jacob Devlin, Ming-Wei Chang, Kenton Lee, and Kristina Toutanova. BERT: Pre-training of deep bidirectional trans- formers for language understanding. In Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1, pp. 4171–4186, 2019. 階 建て 二 階 建て バス ところ き
18. Sentence-BERT1とは  2つの文章をそれぞれ同じモデルに入力してベクトルを生成し、文章 の関係性を判定する  大量の文章がある場合、高精度かつ高速に類似度を求めることが できる  事前学習済みモデル（sonoisa/sentence-bert-base-ja-mean- tokens-v2）を使用 18 BERT BERT 予測ベクトル（類似度） 文章A 文章B 平均ベクトル 平均ベクトル 共通のモデル 1.Nils Reimers and Iryna Gurevych. Sentence-BERT: Sentence Embeddings using Siamese BERT-networks. In Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing, pp.3982–3992, 2019.
19. 文節分割・文節類似度の計算 1. GiNZAによる文節分割 ① 二階建ての / バスが / 道路を / 走って / きます。 ② 二階建てバスが / 停車している / ところです。 2. Sentence-BERTによる類似度比較（文1の文節数×文2の文節数） 19 BERT BERT コサイン類似度 二階建ての 二階建てバスが
20. 文節分割・文節類似度の計算 1. GiNZAによる文節分割 ① 二階建ての / バスが / 道路を / 走って / きます。 ② 二階建てバスが / 停車している / ところです。 2. Sentence-BERTによる類似度比較（文1の文節数×文2の文節数） 20 BERT BERT コサイン類似度 二階建ての 停車している
21. 提案手法：文節ペアを用いた根拠の抽出 21 ⑧ 根 拠 ペ ア の 抽 出 ⑥ 類 似 確 率 の 予 測 ② 文 節 分 割 ③ 文 節 類 似 度 の 計 算 ④ 文 節 ペ ア の 作 成 ⑤ 文 節 ペ ア の マ ス ク ⑥ 類 似 確 率 の 予 測 ① 入 力 文 ペ ア ① 入 力 文 ペ ア A. マ ス ク 前 B. マ ス ク 後 ⑦ A と B の 類 似 確 率 の 比 較
22. 文節ペアの作成 3. 類似度の高いものからペアを作成 22 類似度の高い上位5件 文1 文2 類似度 バスが 二階建てバスが 0.739 きます。 ところです。 0.608 二階建ての 二階建てバスが 0.473 走って 停車している 0.341 走って ところです。 0.286 ① 二階建ての / バスが / 道路を / 走って / きます。 ② 二階建てバスが / 停車している / ところです。
23. 文節ペアの作成 3. 類似度の高いものからペアを作成 23 類似度の高い上位5件 文1 文2 類似度 バスが 二階建てバスが 0.739 きます。 ところです。 0.608 二階建ての 二階建てバスが 0.473 走って 停車している 0.341 走って ところです。 0.286 文節ペア① ① 二階建ての / バスが / 道路を / 走って / きます。 ② 二階建てバスが / 停車している / ところです。
24. 文節ペアの作成 3. 類似度の高いものからペアを作成 24 類似度の高い上位5件 文1 文2 類似度 バスが 二階建てバスが 0.739 きます。 ところです。 0.608 二階建ての 二階建てバスが 0.473 走って 停車している 0.341 走って ところです。 0.286 文節ペア① 文節ペア② ① 二階建ての / バスが / 道路を / 走って / きます。 ② 二階建てバスが / 停車している / ところです。
25. 文節ペアの作成 3. 類似度の高いものからペアを作成 25 類似度の高い上位5件 文1 文2 類似度 バスが 二階建てバスが 0.739 きます。 ところです。 0.608 二階建ての 二階建てバスが 0.473 走って 停車している 0.341 走って ところです。 0.286 文節ペア③ 「二階建てバスが」が 文節ペア①に含まれるため このペアは省略 文節ペア① 文節ペア② ① 二階建ての / バスが / 道路を / 走って / きます。 ② 二階建てバスが / 停車している / ところです。
26. 文節ペアの作成 3. 類似度の高いものからペアを作成 26 文1が5文節、文2が3文節のため、文節ペア数は3とする 文1の「二階建ての」と「道路を」という文節がペアを作れず 対応なしとして扱う ① 二階建ての / バスが / 道路を / 走って / きます。 ② 二階建てバスが / 停車している / ところです。
27. 提案手法：文節ペアを用いた根拠の抽出 27 ⑧ 根 拠 ペ ア の 抽 出 ⑥ 類 似 確 率 の 予 測 ② 文 節 分 割 ③ 文 節 類 似 度 の 計 算 ④ 文 節 ペ ア の 作 成 ⑤ 文 節 ペ ア の マ ス ク ⑥ 類 似 確 率 の 予 測 ① 入 力 文 ペ ア ① 入 力 文 ペ ア A. マ ス ク 前 B. マ ス ク 後 ⑦ A と B の 類 似 確 率 の 比 較
28. 文節ペアのマスク 文節ペア 「走って」と「停車している」の場合 ① 二階建てのバスが道路を[MASK]きます。 ② 二階建てバスが[MASK]ところです。 28 二階建ての バスが 道路を [MASK] きます。 二階建てバスが [MASK] ところです。 [SEP] BERT
29. 文節ペアのマスク 対応なし 「道路を」の場合 ① 二階建てのバスが[MASK]走ってきます。 ② 二階建てバスが停車しているところです。 29 二階建ての バスが [MASK] 走って きます。 二階建てバスが 停車している ところです。 [SEP] BERT
30. 提案手法：文節ペアを用いた根拠の抽出 30 ⑧ 根 拠 ペ ア の 抽 出 ⑥ 類 似 確 率 の 予 測 ② 文 節 分 割 ③ 文 節 類 似 度 の 計 算 ④ 文 節 ペ ア の 作 成 ⑤ 文 節 ペ ア の マ ス ク ⑥ 類 似 確 率 の 予 測 ① 入 力 文 ペ ア ① 入 力 文 ペ ア A. マ ス ク 前 B. マ ス ク 後 ⑦ A と B の 類 似 確 率 の 比 較
31. 類似確率の予測  BERTモデルに2文を入力して類似性をはかるモデルを対象とする  東北大学の事前学習済みモデル（cl-tohoku/bert-base-japanese-v3） 31 類似確率， 非類似確率 BERT 二階建ての バスが 道路を 走って きます。 二階建てバスが 停車している ところです。 [SEP]
32. 提案手法：文節ペアを用いた根拠の抽出 32 ⑧ 根 拠 ペ ア の 抽 出 ⑥ 類 似 確 率 の 予 測 ② 文 節 分 割 ③ 文 節 類 似 度 の 計 算 ④ 文 節 ペ ア の 作 成 ⑤ 文 節 ペ ア の マ ス ク ⑥ 類 似 確 率 の 予 測 ① 入 力 文 ペ ア ① 入 力 文 ペ ア A. マ ス ク 前 B. マ ス ク 後 ⑦ A と B の 類 似 確 率 の 比 較
33. 根拠の抽出 33 類似0.2， 非類似0.8 BERT 二階建ての バスが 道路を 走って きます。 二階建てバスが 停車している ところです。 [SEP] マスク前 文節ペアを隠した入力ともとの入力を比較し根拠を抽出
34. 根拠ペアの抽出 類似0.7， 非類似0.3 BERT 二階建ての バスが 道路を [MASK] きます。 二階建てバスが [MASK] ところです。 [SEP] 類似0.2， 非類似0.8 「走って」と「停車している」をマスク マスク前 マスク前後で類似と非類似 の判定が逆転 →非類似の根拠として抽出 34
35. 根拠ペアの抽出 類似0.3， 非類似0.7 BERT 二階建ての [MASK] 道路を 走って きます。 [MASK] 停車している ところです。 [SEP] 類似0.2， 非類似0.8 「バスが」と「二階建てバスが」をマスク マスク前 マスク前後で類似と非類似 の判定が変化せず →根拠の抽出なし 35
36. 比較手法  比較手法：LIME  LIMEとは？ ① 学習したモデルに文章の一部をマスクした状態で入力する ② 一部をマスクした入力とそれに対して得られた出力のペアを作る ③ 入力と出力のペアを用いて線形回帰を行う ④ 線形回帰の結果より、出力に影響を与えた単語を特徴語として 抽出する  LIMEの設定  サンプルサイズ（線形回帰に使うペアの数）：5,000件  抽出語数：上位10件 36
37. 非類似文ペアを入力した際の根拠の抽出 37 LIME （比較手法） 二階建てのバスが道路を走ってきます。 [SEP]二階建てバスが停車しているところです。 文節ペア （提案手法） 二階建てのバスが道路を走ってきます。 [SEP]二階建てバスが停車しているところです。 〇「走って」⇔「停車している」という対応ペアと1文目のみに出 現する「道路を」という文節を非類似の根拠として抽出できた
38. 類似文ペアを入力した際の根拠の抽出 38 〇「ジャンプしている」＝「ジャンプしています。」という共通して いるペアを類似の根拠として抽出できた 文節ペア （提案手法） LIME （比較手法） スケートボードでジャンプしている男性がいます。 [SEP]男性がスケートボードでジャンプしています。 スケートボードでジャンプしている男性がいます。 [SEP]男性がスケートボードでジャンプしています。
39. 非類似を類似と誤分類した際の根拠の抽出 39 共通する文節が類似という誤分類に影響を与えている 「芝生の」と「道路の」という違いに注目していない 芝生の真ん中に、消火栓が設置されています。 [SEP]道路の真ん中に、消火栓が設置されています。 文節ペア （提案手法）
40. 結果のまとめ うまくいった点  共通点、差異を表す根拠を対応する文節ペアで抽出すること ができた  文節を抽出の単位とすることで付属語が単体で抽出されず、 根拠として理解しやすくなった うまくいかなかった点  全ての共通点、差異を抽出できたわけではなかった  類似文から差異、非類似文から共通点をあらわすような文節 ペアは抽出できなかった 40
41. 課題 ① 類似文の中の差異、非類似文の中の共通語を抽出 することができない 原因 類似、非類似の判定が逆転するペアのみ根拠として 抽出したため 正解ラベルに分類される確率が1に近い値だったため 41 現状 二階建てのバスが道路を走ってきます。 [SEP]二階建てバスが停車しているところです。
42. 課題 ① 類似文の中の差異、非類似文の中の共通語を抽出 することができない 原因 類似、非類似の判定が逆転するペアのみ根拠として 抽出したため 正解ラベルに分類される確率が1に近い値だったため 42 二階建てのバスが道路を走ってきます。 [SEP]二階建てバスが停車しているところです。 理想
43. 課題 ② 文節ペアによっては共通する部分を比較できない 例えば「二階建ての/バスが」と「二階建てバスが」の場合 43 二階建てバスが 停車している ところです。 二階建ての バスが 道路を 走って きます。
44. 課題 ② 文節ペアによっては共通する部分を比較できない 例えば「二階建てバスが」と「二階建ての/バスが」の場合 44 二階建てバスが 停車している ところです。 二階建ての バスが 道路を 走って きます。 二階建ての バスが 道路を 走って きます。 二階建てバスが 停車している ところです。 理想
45. 課題 ③ 文章内の文節に対応がないと根拠が抽出できない 45 綺麗に 掃除された トイレが あります。 茶系統の タイル張りの 部屋の トイレです。 「トイレが」と「トイレです。」を除き、文節ペアに意味的な 関連なし →文節ペアをマスクしても分類確率に変化なし
46. まとめ  工夫点：文節ペアによる抽出  結果  類似→共通点の抽出  非類似→差異の抽出  誤分類→学習の不足部分の抽出  課題  課題  類似文中の差異、非類似文中の共通点の抽出  より適切なペアの作成方法の検討 46 類似性判定の根拠の抽出