概要

言語の意味理解の一つとして，言語表現から書き手や登場人物の情緒を推 定する技術に期待が寄せられている．

これに対して，田中らと吾郷らは，日本語語彙大系[1]に， 「情緒属性」として，判断条件，情緒名，情緒原因，および， 情緒対象を追加することで，パターンベースの情緒解析の手 法を示した[2][3]． 情緒推定の方法は，もし，入力文と結合価パターンがマッチし， 意味属性制約を充足し，かつ，判断条件が成立するならば， 対応する情緒属性を出力するというものである． ここで，判断条件を常に成立すると仮定することで，用言の語義に基づく情 緒推定が可能であり，ある程度の 情緒推定が可能である． しかし，判断条件を常に成立すると仮定することで， 過剰に情緒が推定されてしまう問題が発生した．

そこで，本研究では，以下の2つを行う． (1)判断条件の成立と不成立を機械学習した「判断情報知識ベース」を構築する． (2)情緒推定に本知識ベースを利用することは， 過剰な推定の抑制に有効であるのか実験により評価する．

具体的に，(1)では， まず，Webから情緒の生起する原因となる文 （以下，原因文）と本辞書のパターンとの照合により，引数に具体的な格要素が 入った判断条件を獲得する．そのとき，結合価パターンの情緒属性セットに付随 している情緒が，原因文に付属する感情表現の情緒極性 （例．給料を貰ったので嬉しい）と一致する 場合は，その判断条件に $T$をカウントし，不一致の場合は$F$をカウントする． その結果， 引数の具体化された 判断条件の接近／乖離の関係を， $T$と$F$の割合でデータベースに蓄積することができる． $T$の割合が多ければ， その判断条件は一般的に成立すると判定でき，情緒を推定する． 逆に，$F$の割合が多い場合は，情緒の推定を抑制する．

本知識ベースの構築に必要な原因文は，徳久らの手法[9]に習い， 収集を行う．収集元データには，Kawaharaらの5億文Webコーパス[13]を 使用し，「原因文＋接続表現＋感情表現」という言語モデルを用いて本コーパス から自動的に原因文を獲得する． 獲得の手がかりとなる感情表現には， 小林らの評価値表現辞書[4] から人手で抽出した414語の感情表現を使用する． 原因文と感情表現を繋ぐ接続表現には，右記8種類の表現 「ので，から，ため，て，のは，のが，こ とは，ことが」のうち，曖昧性がなく，絶対数の多い「ので」を使用する．

(2)では， まず，テキストと本辞書を照合し，引数に具体的な格要素の入った判断 条件を得る．次に，得た判断条件と引数をキーとして，本知識ベースを参照し， 判断条件の成立と不成立を判定する． その際，判断条件の真偽閾値として$\theta$を用いる． $T$≧$\theta$ならば判断条件成立と判定し，レコードに付与されている情緒を出力 する．$T$＜$\theta$ならば判断条件不成立と判定し，情緒《なし》を出力する．

情緒推定実験は，(1)で収集した原因文を5分割し，クロスバリデーション法を用いて 行う．その際，$\theta$の値を，0%，20%， 40%，60%，80%，100%と変化させながら実験 する． $\theta$＝0の誤推定数をベースラインとし，$\theta$の値による， 誤推定数の変化を調査する．

以上の結果，(1)では，本コーパスより13,175文の原因文を獲得し，本知識ベー スのレコード数は10,323となった．(2)では，ベースラインの誤推定数が2813 であったのに対し，本手法では，誤推定数が419まで減少することを確認した． また，誤推定の減少に伴い，情緒推定の 適合率は56%から最大67%まで上昇することを確認した．

以上より，情緒推定に本知識ベースを利用することは，過剰な推定の抑制に有効 であることを確認できた．

今後の課題は，本知識ベースの規模をさらに拡大し，さらなる情緒推定精度の向 上を目指すことである．