第17回lucene/solr勉強会 #solrjp – apache lucene...

ヤフー株式会社大須賀稔

第17回 Lucene/Solr勉強会 #SolrJPLucene/Solrでの形態素解析の課題とN-bestの提案

自己紹介

大須賀稔 (おおすかみのる)

ヤフー株式会社　　　CTO室 / Solr黒帯

Apacheソフトウェア財団　　　ManifoldCFプロジェクト　　　　　　コミッター / PMCメンバー　　　Solrプロジェクト　　　　　　コントリビューター

[改訂新版] Apache Solr入門 (技術評論社) 　　　共著者

アナライザの仕組み

アナライザー

トークナイザ

文字フィルタ

トークンフィルタ

I came from Japan.

i came from japan.

i came from japan

文字単位での正規化処理を行う

文章を単語に分かち書き

不要な単語の除去や単語の正規化処理など

i came japan

日本語の文章を単語に分割する方法

1. 形態素解析

日本語辞書を用いて、文書を単語に分割する。

2. N-gram

機械的に、ある文字数(N)単位で、1文字ずつずらしながら単語として分割する。

形態素解析による分割アナライザー

トークナイザ日本語辞書

文字フィルタ

トークンフィルタ

私はﾆﾝｼﾞﾝを１本だけ買った

私はニンジンを1本だけ買った

私はニンジンを 1 本だけ買っ

私ニンジン 1 本買う人参

半角片仮名、全角数字などの正規化処理など

日本語辞書を参照しながら文章を単語に分かち書き

検索に不要な単語の除去、類義語への展開など

N-gramによる分割

アナライザー

トークナイザ

文字フィルタ

私はﾆﾝｼﾞﾝを１本だけ買った

私はニンジンを1本だけ買った

私ははニ

半角片仮名、全角数字などの正規化処理など

2-gram(Bi-gram)で分割

ニンンジンをを1

1本本だだけけ買買っった

ジン

形態素解析とN-gramの比較

• 現在は、形態素解析による分割が一般的。

• N-gramは、形態素解析と併用して、　　　　　検索漏れがないようにする目的で利用される。

長所短所

形態素解析• インデックスサイズが小さい• 検索実行時の処理が速い• 検索結果にノイズが少ない

• インデックス作成に時間がかかる• 辞書が必要• 検索漏れが発生する

N-gram• インデックスの作成が速い• 辞書を必要としない• 検索漏れがない

• インデックスサイズが大きい• 検索実行時の処理が遅い• 検索結果にノイズが多い

検索エンジンの性能評価

性能評価のための3つの指標

1. 適合率: Precision

正確性を表す指標。

2. 再現率: Recall

網羅性を表す指標。

3. F値: F-mesure

適合率、再現率の総合的な指標。

適合率 : Precision

検索結果のドキュメント中(N)に、どれだけ正解

ドキュメント(R)を含んでいるかという正確性の指標。

Precision = RN

N 検索結果のドキュメントR 検索できた正解ドキュメントC 検索結果としての正解ドキュメント

= 25100

= 0.25

再現率 : Recall

検索結果としての正解ドキュメント(C)が、

どれだけ検索できているかという網羅性の指標。

Recall = RC

= 25100

= 0.25

F値 : F-measure

適合率、再現率の総合的な評価に用いられる。

F-measure = 2・Precision・RecallPrecision + Recall = R

(N + C)12

= 0.25

(100 + 100)12

検索エンジンの課題

形態素解析とN-gramの課題

現在は、形態素解析による分割が一般的。

N-gramは、形態素解析と併用して、　　　　　検索漏れがないようにする目的で利用される。

長所短所

形態素解析• インデックスサイズが小さい• 検索実行時の処理が速い• 検索結果にノイズが少ない

形態素解析による検索漏れの例

表層品詞・・・・・・・・・・・・

ショルダーバッグ名詞・・・・・・・・・・・・

日本語辞書トークナイザ

革のショルダーバッグ

ショルダーバッグ革

新しいバッグが欲しいな

ユーザ

バッグ

「バッグ」では検索できない

N-gramによる検索ノイズの例

トークナイザ

東京都港区赤坂

2-gram(Bi-gram)で分割

東京京都都港港区区赤赤坂

京都へ旅行に行きたいな

ユーザ

京都

「京都」で検索できてしまう×京都

いかに検索漏れ、および検索ノイズを減らすかが課題。

検索漏れ検索ノイズ

形態素解析の仕組み

形態素とは

形態素とは、言語学の用語で、意味を持つ最小の単位のこと。ある言語において、それ以上分解しては意味をなさなくなるところまで分解して抽出された、音素のまとまり。

赤坂でランチを食べて元気になった

赤坂名詞

で助詞

ランチ名詞

を助詞食べ

動詞

て助詞

元気名詞

に助詞

なっ動詞

た助詞

赤名詞

坂名詞

になっ動詞

元名詞

気名詞

形態素辞書

表層品詞･･･コスト赤坂名詞 - 4赤名詞 - 3坂名詞 - 7で助詞 - 5

ランチ名詞 - 5を助詞 - 3食べ動詞 - 7て助詞 - 5元気名詞 - 3元名詞 - 5気名詞 - 6

になっ動詞 - 10に助詞 - 4なっ動詞 - 5た助詞 - 5

名詞助詞動詞･･･名詞 1 4 20 -助詞 3 6 6 -動詞 7 3 19 -： - - - -

形態素辞書接続コスト表

右側

左側

※ 形態素辞書、接続コスト表は簡略化しています

連接コスト

エンジニアになった

エンジニア名詞

に助詞

なっ動詞

た助詞

になっ動詞

合計13

合計23

BOS EOS

繋がりやすいコスト小

20 3繋がりにくいコスト大繋がりやすい

コスト小

エンジニア名詞

に助詞

なっ動詞

た助詞

合計13

単語生起コスト

カードローンの

カー名詞

の助詞

合計37

ドローン名詞

カード名詞

合計 19

ローン名詞

BOS EOS

繋がりやすい

4繋がりやすい

出現しやすいコスト小 6 6

出現しやすいコスト小

6出現しやすいコスト小

出現しにくいコスト大

カード名詞

ローン名詞

の助詞

合計 19

連接コスト、単語生起コストの合計が小さいものが、　　　　　　　　　　　　　　　　より良い形態素の並びである。

形態素解析の仕組み

赤坂でランチを食べて元気になった

赤坂名詞

で助詞

ランチ名詞

を助詞

食べ動詞

て助詞

に助詞

なっ動詞

た助詞

になっ動詞

元名詞

気名詞

BOS EOS

赤名詞

坂名詞

元気名詞

5 5 3 7 5

1 43 4 6 3

いかに検索漏れ、および検索ノイズを減らすかが課題。

検索漏れ検索ノイズ

N-gramの併用による解決

革のショルダーバッグ

ショルダーバッグ革

新しいバッグが欲しいなユーザ

q=field_ma:バッグ OR field_ng:バッグ

革ののシショョルルダバッッグ

バッグ

バッッグ○×field_ma (形態素解析)

field_ng (N-gram)

ーバダーバッッグ

N-gramの併用による課題

検索漏れを大きく改善できるが、検索ノイズが大量に発生する恐れがある。

意味のない単語で無駄なインデックス領域を消費。

検索漏れ

検索ノイズ

辞書の登録による解決

トークナイザ

革のトートバッグ

トート革

新しいバッグが欲しいなユーザバッグ

「バッグ」で検索できるの

表層品詞・・・トート名詞・・・・・・・・・・・・

バッグ

○日本語辞書

ユーザ辞書

日本語辞書トークナイザ

革のトートバッグ

トートバッグ革文章を単語に分かち書き

「バッグ」で検索できない×

辞書の登録による課題

全ての単語を登録しきれない。

辞書登録による意図しない単語の分割がされ、検索ノイズが発生することもある。

検索漏れ

検索ノイズ

JapaneseTokenizerのモード設定による解決

1. normalモード

• 登録されている辞書の単語で分割する。

2. searchモード (デフォルト)

• normalモードと同様に単語に分割を行うが、辞書に登録されている単語の複合語で分割可能である場合、さらに細かく分割し、複合語も出力する。

3. extendedモード

• searchモードと同様に複合語の処理を行うが、複合語は出力しない。また、辞書に登録ない未知語をUni-gram(1-gram)でトークナイズする。

JapaneseTokenizerのモードの使用羽田空港オリジナルトートバッグ

羽田空港

normalモード

searchモード

オリジナルトートバッグ

羽田空港空港

オリジナル

羽田

extendedモード

空港ト羽田ートバッグ

トートバッグオリジナルトートバッグ

JapaneseTokenizerのモード設定による課題

searchモード、extendedモードを使用することで手軽に再現率を向上させることが可能だが、全ての問題を解決できない。

検索漏れ

検索ノイズ

JapaneseTokenizerの課題

• 形態素解析によって出力される単語は、連接コスト、単語生起コストを基に最適と思われる単語に分割されるが、意図しない分割がされる場合がある。

• 最良と思われる、1つの形態素の連結パターンしか出力できないため、複数の解釈が可能な文字列には対応できない。

意図しない分割をされる例

または

外国人参政権↓

外国 / 人 / 参政 / 権Voting rights for foreign residents.

外国 / 人参 / 政権The Carrot Administration of a foreign country.

Carrot ?Some rights reserved by MDGovpics

Some rights reserved by Max Braun

「外国人参政権」の例

外国人参政権

外国

normalモード

人参政権

外国

searchモード

人参政権

外国

extendedモード

人参政権

期待する

が出力されない

複数の解釈が可能な例

こちら / は / 社長 / 室 / 長谷川 / です

または

こちら / は / 社長 / 室長 / 谷川 / です

こちらは社長室長谷川です

This is Hasegawa, member of President’s Office.

This is Tanigawa, executive secretary of President’s Office.

長谷川です谷川です

Some rights reserved by A ONE-MAN ARMY RETURNS TO NO-MANS' LAND

「こちらは社長室長谷川です」の例

こちら

normalモード

社長長谷川

searchモード

extendedモード

は室

ですこちら社長長谷川は室長谷川

ですこちら社長は室長谷川

期待していない

が出力される

長谷川

です

searchモード、extendedモードの課題

社長室長谷川

社長名詞

室名詞

長谷川名詞

長谷名詞

川名詞

BOS EOS

社長名詞

室名詞

長谷川名詞

谷川名詞

BOS EOS室長名詞

複合語の分割が可能な場合のみ

できること

複数の分割候補の出力はできない

できないこと

N-bestの提案

N-best

こちら名詞

は助詞

社長名詞

室助詞

長谷川名詞

BOS EOS社名詞

長名詞

です助動詞

室長名詞

谷川名詞

長谷名詞

川名詞

谷名詞

長名詞

1110 117 10

4複数の解釈が可能なテキスト対応したい

N-bestの実装

目的

• 解釈によって異なる複数のパターンでの分割、複合語の分割を可能にし、再現率の向上を目指す。

• N-bestといってもNを直接指定するのではなく、ベストパスからのコスト値の差を指定することで、無理のある分割がされないようにする。

N-bestの実装

ゴール

• JapaneseTokenizerにN-best機能を追加する。

• normal、search、extendedの各モードとの併用を可能とする。

• N-best出力のコスト閾値を直接指定、または例文から求め指定可能にする。

N-bestの実装仕様

• nbestCost、nbestExamplesパラメータの設定でN-best出力を制御する。

• 0 < nbestCostならN-bestを出力する。nbestCostはN-best出力として許容される最大のコスト差分(allowable cost difference for N-best)を示す。

• 適切なコスト差分を求めるために、nbestExamplesで例文を指定できる。

• 例文からコスト差分を求めることができれば、例文からのコスト差分と直接指定のコスト差分のうち大きな値が有効にする。

サンプル schema.xml

N-bestの実装

N-bestの実行確認

normalモード

normalモードかつnbestCost=2000

normalモードでは「デジタル一眼レフ」は「一眼レフ」で検索できない

×一致

一致しない

normalモードかつnbestCost=2000で「デジタル一眼レフ」が「一眼レフ」で検索できる

一致

N-bestの評価• 評価用データ

• Wikipediaダンプから取得したタイトル (1,541,544タイトル)

• 評価方法

• nbestCostを0から5000まで1000毎に変化させ、評価用データからトークンを出力

• 出力されたトークンの差分を目視で確認し、 Good、Neutral、Badの3段階でジャッジ

アンパサンド言語日本語地理学 EU (曖昧さ回避) 国の一覧 SandBox パリヨーロッパ …

Good : 良い Neutral : 中立 Bad : 悪い

N-bestの評価

nbestCost 総トークン数総トークン数

nbestCost=0比総出力文字数

総出力文字数nbestCost=0比

N-best出現タイトル数

N-best出現タイトル数/全タイトル比

0 5,362,695 1.000 12,401,591 1.000 0 0

1,000 5,509,840 1.027 12,761,015 1.029 94,950 0.0616

2,000 5,677,682 1.059 13,222,013 1.066 187,636 0.1217

3,000 5,878.931 1.096 13,695,738 1.104 281,788 0.1828

4,000 6,168,215 1.150 14,198,753 1.145 392,367 0.2545

5,000 6,557,197 1.224 14,796,834 1.193 511,730 0.3320

nbestCost N-best出力差分出現タイトル数

N-best出力差分出現タイトル比

ジャッジ数ジャッジ比

0 0 0 0 0

0 - 1,000 94,950 0.0616 300 0.003160

1,000 - 2,000 100,452 0.0652 300 0.002987

2,000 - 3,000 109,397 0.0710 300 0.002742

3,000 - 4,000 140,501 0.0911 300 0.002135

4,000 - 5,000 180,897 0.1173 300 0.001658

※JapaneseTokenizerのnormalモードで評価

N-bestの評価指標 - Good

• 複合語が正しい単語で区切られるtitle nbestCost=0 nbestCost=1000

ヒルマン・ミンクスヒルマン / ・ / ミン / クスヒルマン / ・ / ミン / ミンクス / クス

岡山県道69号西大寺備前線(おかやまけんどう69ごうさいだいじびぜんせん)

岡山 / 県 / 道 / 69 / 号 / 西大寺 / 備前 / 線岡山 / 県 / 県道 / 道 / 69 / 号 / 西大寺 / 備前 / 線

ドラッグマスターファイルドラッグマスターファイルドラッグ / マスター / ファイル

N-bestの評価指標 - Neutral

• どちらも誤解析

• 元の結果でも問題ない

title nbestCost=0 nbestCost=1000

鈴木里一郎(すずきさといちろう)

鈴木 / 里 / 一郎鈴木 / 里 / 一 / 一郎 / 郎

あしたまにあーなあし / たま / に / あー / なあし / たま / たまに / に / あー / な

title nbestCost=0 nbestCost=1000

山田温泉(やまだおんせん)

山田 / 温泉山田 / 山田温泉 / 温泉

フィルムアウトフィルム / アウトフィルム / フィルムアウト / アウト

N-bestの評価指標 - Bad

• ノイズが発生するtitle nbestCost=0 nbestCost=1000

ジャン・ピエール・ランパルジャン / ・ / ピエール / ・ / ランパルジャン / ・ / ピエール / ・ / ラン / ランパル / パル

供御職(くごしょく)

供御 / 職供 / 供御 / 御職 / 職

市川市立高谷中学校(いちかわしりつこうやちゅうがっこう)

市川 / 市立 / 高谷 / 中学校市川 / 市立 / 高 / 高谷 / 谷中 / 中学校 / 学校

nbestCostの値の変更前と変更後で、出力に変化が見られたタイトル300件を無作為に抽出して評価。

N-bestの評価結果

nbestCost ジャッジ数 Good Neutral Bad (Good - Bad) / 3000 - 1,000 300 190 30 80 0.37

1,000 - 2,000 300 133 82 85 0.162,000 - 3,000 300 109 60 131 -0.073,000 - 4,000 300 95 34 171 -0.254,000 - 5,000 300 87 48 165 -0.26

-0.150

0.150.3

0.450.6

0 1000 2000 3000 4000 5000

-0.25-0.26

• N-gramとの併用よりも意味のある単語でより細かく分割が可能。

• 複数の解釈が可能な文字列への対応が可能。

N-bestの比較とまとめ長所短所

形態素解析

非N-best• インデックスサイズが小さい• 検索実行時の処理が速い• 検索結果にノイズが少ない

N-best• N-gramよりインデックスサイズが小さい• N-gramより検索結果のノイズが少ない• N-gramより検索漏れが多い

• 非N-bestよりインデックスサイズが大きい• 非N-bestより検索結果のノイズが多い• 非N-bestより検索漏れが少ない

Yahoo! JAPAN より皆さまへ

Apache Lucene/Solrの形態素解析の課題を解決したい！

N-bestパッチ

LUCENE-6837 https://issues.apache.org/jira/browse/LUCENE-6837

N-bestパッチの適用# パッチのダウンロード $ curl -L -O https://issues.apache.org/jira/secure/attachment/12766268/LUCENE-6837.patch

# Lucene/Solrのtrunkチェックアウト$ svn co http://svn.apache.org/repos/asf/lucene/dev/trunk lucene-solr

# パッチの適用$ cd lucene-solr$ patch -p0 -E < ../LUCENE-6837.patch

# ivyセットアップ$ ant ivy-bootstrap

# コンパイル $ ant compile

# テスト$ ant test

N-bestパッチの適用 (続き)# Solrパッケージ作成$ cd solr$ ant create-package

# Solrパケージの展開$ cd ../../$ tar zxvf lucene-solr/solr/package/solr-6.0.0-SNAPSHOT.tgz

# サンプルコレクションの準備$ cp -r server/solr/configsets/sample_techproducts_configs server/solr/nbest_sample$ echo "name=nbest_sample" > server/solr/nbest_sample/core.properties$ vi server/solr/nbest_sample/conf/schema.xml

# Solrの起動$ ./bin/solr start -p 8983 -s server/solr

第17回lucene/solr勉強会 #solrjp – apache lucene...

Technology

ruby on rails 3.1 expertenwissen - dpunkt.de kapitel...

vufind - swop südwestdeutscher online … · • bsz und...

erstellt werden - intentive · lucene™-basierte...

solr on cassandra - coscup...solr created by yonik seeley at...

turbinando sua aplicação com lucene, solr e hibernate...

presentation lucene / solr / datafari - nantes jug

geneva jug lucene solr

tutorial lucene

using lucene/solr to surface the big data of social media

besoin de rien envie de search - presentation lucene solr...

lucene document

[hic2011] using hadoop lucene-solr-for-large-scale-search by...

lucene, solr y apachesolr en drupal · lucene, solr y...

building search engines - lucene, solr and elasticsearch

volltextsuche mit lucene und solr

leveraging lucene/solr as a knowledge graph and intent...

apache lucene

amazon cloudsearch amazon elasticsearch service...amazon...

suchen und finden mit lucene und solr

introduction to lucene and solr - 1