おわりに

本研究では，機械学習を用いて多義語の多義性解消を行った．名詞の実験では，「手法1:SemEval2の学習データのみを利用する手法」の正解率が0.733に対して，「手法5:クロスバリデーションによる手法選択」の正解率が0.757となっており，正解率が向上した．また，「手法5:クロスバリデーションによる手法選択」の正解率0.757が最も良い正解率となった．

また，多義語6単語で合計12回の実験を行ったが，12回の実験中10回は正しく手法選択することができた．

SemEval2の学習データ数を言い換えによって増えたデータ数のX倍(1/10,1/5,1/2,
1,2,5,10) のデータ数に変更する実験では，「手法 2:SemEval2 と言い換えによって増えたデー タを用いる手法」は，SemEval2 の学習データ数が増えるにつれて性能が向上する傾向がみられた．

動詞の実験では,「手法1:SemEval2の学習データのみを利用する手法」の正解率0.913に対して，「手法2:SemEval2の学習データ＋言い換えによって増えた学習データを利用する手法」の正解率0.893となり，正解率が低下した．

形容詞の実験では,「手法1:SemEval2の学習データのみを利用する手法」の正解率が0.90に対して，「手法2:SemEval2の学習データ＋言い換えによって増えた学習データを利用する手法」の正解率が0.92となり，正解率はほぼ変わらなかった．