おわりに

本論文では，大量の文からパターンに合致するものを取得することで， 幅広い分野の変遷情報を取得した． この方法で0.86という高いF値で変遷情報を抽出できた． また，抽出した変遷情報を分類し，どのような種類の変遷情報があるのか知見を得ることができた． 例えば，今回の研究では成分・原料などの構成要素とそれから構成されるものの関係を示す変遷情報の事例が，一番多い変遷情報の分類であることがわかった． 更に，機械学習 (SVM,ME)を使用し，より性能高く変遷情報を抽出することを行った． 実験の結果，SVMではF値0.91，MEではF値0.89で変遷情報を抽出できた． 本研究により，パターンに基づく方法と機械学習を組み合わせることで， より性能高く変遷情報を取り出せることがわかった． 機械学習による変遷情報の分類では， 学習データの事例数の多い分類ではF値が6割以上であった．