Download
1 / 24
240 likes | 380 Views
参照共起分析の Web ディレクトリへの適用. NTT 未来ねっと研究所 ○原田昌紀 風間一洋 佐藤進也 harada@ingrid.core.ntt.co.jp. 研究の背景. サーチエンジン ＝ロボット＋全文検索エンジン ○ Web ページ単位で詳細な 検索ができる。 ○ 網羅性が高い。 × 質の低い Web ページが 検索される（スパムもある）。. Web ディレクトリ ＝人手で収集、評価、分類 ○ Web サイト単位で階層的に 分類されている。 ○ 完成度の高い Web サイト のみが登録されている。 × 網羅性が低い。.
E N D
参照共起分析のWebディレクトリへの適用 NTT未来ねっと研究所 ○原田昌紀 風間一洋 佐藤進也 harada@ingrid.core.ntt.co.jp
研究の背景 サーチエンジン ＝ロボット＋全文検索エンジン ○ Webページ単位で詳細な 検索ができる。 ○ 網羅性が高い。 × 質の低いWebページが 検索される（スパムもある）。 Webディレクトリ ＝人手で収集、評価、分類 ○ Webサイト単位で階層的に 分類されている。 ○ 完成度の高いWebサイト のみが登録されている。 × 網羅性が低い。 維持と構築に要する人的コストが問題。 ロボットが収集したデータを利用して、 Webディレクトリの構築を自動化できないか？
発表の概要 • 研究の目的とアプローチ • 関連研究 • Webディレクトリ拡大手順の提案 • 関連Webサイト発見アルゴリズム（２種類） • 評価実験 • まとめ
本研究の目的とアプローチ • 目的：Webディレクトリの自動拡大の実現 • アプローチ • 各カテゴリに分類されたWebサイト群を元に、ロボットで収集したデータから、それらに関連するWebサイトを発見し、登録Webサイト数を増大させる。 • ハイパーリンクによる参照関係の解析を応用 • 与えられたWebサイト群に関連し、重要度の高いWebサイトを発見することが狙い。
関連研究： テキストの自動分類 • テキストの自動分類 • テキストをあらかじめ決められたカテゴリに分類する。 • ハイパーテキストの自動分類 • ノードをあらかじめ決められたカテゴリに分類する。 • 近傍のノードの分類結果によって補正する。 • 問題点 • 多数のカテゴリへの高精度の分類は困難。 • Web上のテキストは多様であり、特に難しい。 テキストの自動分類によるWebディレクトリ構築は困難。 →テキストの内容を用いない方法を検討する。
関連研究:特定トピックのオーソリティ発見 • HITS [Kleinberg1998] • トピックを表すキーワードの検索結果の近傍からオーソリティとハブを抽出。 オーソリティ…多数のハブから参照される、重要なWebページ。 ハブ…多数のオーソリティを参照する、リンク集的なWebページ。 • カテゴリ名によるオーソリティ発見…詳細な分類には不向き。 ･･･ ･･･ オーソリティ ハブ 例：ゲーム全般 /ゲーム/ ゲーム販売店 /ショッピング/趣味とおもちゃ/ゲーム/ ゲーム開発企業 /ビジネス/エンターテインメント/ゲーム/
関連研究: 関連Webページ発見手法 関連Webページ : リンク6 リンク7 リンク8 リンク9 : L以内 シードWebページ L以内 関連Webページ 関連Webページ • 参照共起関係 • 共通のリンク元でハイパーリンクの位置がL以内にあること。 • 関連Webページ発見アルゴリズム • 与えられたWebページと関連するオーソリティを発見する。 → Webディレクトリに登録すべきWebサイトを発見できる。
Webディレクトリ拡大手順 1. 大域Webグラフを作成する。 2. 各カテゴリで関連Webサイトを発見する。 3. 重複したWebサイトを除去する。
１．大域Webグラフの作成 • ロボットで大量のWebページを収集し、それらの参照関係からWebグラフを作成する。 • WWWサーバ間のハイパーリンクのみ辺とする。 • Webサイトを点としたWebグラフを作成。 • Webディレクトリにおける検索の単位。 • 実装では同じサーバで同じパスを持つファイル群をWebサイトとみなした。 http://www.ntt.co.jp/product/ http://www.ntt.co.jp/product/index-j.html http://www.ntt.co.jp/product/product.html http://www.ntt.co.jp/product/＊
２．関連Webサイト発見アルゴリズムの適用 • 各カテゴリに登録されているWebサイト群に、それらと関連するオーソリティを加える。 例：ビジネス/食品/飲料/酒類 http://www.asahibeer.co.jp/ http://www.gekkeikan.co.jp/ http://www.kirin.co.jp/ http://www.moritakk.com/ http://www.ozeki.co.jp/ http://www.sapporobeer.co.jp/ http://www.suntory.co.jp/ http://www.asahibeer.co.jp/ http://www.gekkeikan.co.jp/ http://www.kirin.co.jp/ http://www.moritakk.com/ http://www.ozeki.co.jp/ http://www.sapporobeer.co.jp/ http://www.suntory.co.jp/ http://www.budweiser.co.jp/ http://www.takara.co.jp/ http://www.heineken.co.jp/ http://www.kirin-seagram.co.jp/ http://j-entertain.co.jp/guiness/ http://www.kizakura.co.jp/ http://www.hakutsuru.co.jp/ : 関連度 22.1 19.5 14.4 12.5 11.8 8.8 8.2 ： 関連Webサイト発見 アルゴリズムを適用
３．重複Webサイトの削除 • 重複して発見されたWebサイトは関連度が最大のカテゴリのみに残す。 ビジネス/食品/飲料 ビジネス/食品/食材・調味料 http://www.cocacola.co.jp/ http://www.morinagamilk.co.jp/ http://www.nestle.co.jp/ http://www.ucc.co.jp/ http://www.yakult.co.jp/ http://www.ajinomoto.co.jp/ http://www.nipponham.co.jp/ http://www.sangaria.co.jp/ http://www.dydo.co.jp/ http://www.ucc.co.jp/ http://www.cclemon.com/ ： http://www.hanamaruki.co.jp/ http://www.heiwa-food.co.jp/ http://www.soysauce.or.jp/ http://www.kagome.co.jp/ http://www.marukome.co.jp/ http://www.ajinomoto.co.jp/ http://www.nipponham.co.jp/ http://www.higeta.co.jp/ http://www.takeya-miso.co.jp/ http://nitanda.com/ http://www.aohata.co.jp/ ： 関連度 9.9 8.9 8.4 8.1 7.7 5.8 ： 関連度 11.1 9.2 8.3 7.7 5.9 5.7 ：
関連Webサイト発見アルゴリズム • 関連Webページ発見アルゴリズムを拡張。 • 複数のシードに関連するWebサイトを発見する。 • ステップ３で比較可能な関連度を出力する。 (1) Companion+ • シードセットの近傍にHITSを適用し、オーソリティを発見。 (2) MultiCocitation • 多くのシードと参照共起関係にあるWebサイトを発見。
(1) Companion+ • Companion+[豊田2000]を複数シードに拡張。 • シードセット全体の近傍からオーソリティを発見する。 （近傍:参照元Webサイト+参照共起関係にあるWebサイト） • 関連度＝（オーソリティスコア）2×近傍Webサイト数 シードセット
(2) MultiCocitation • Cocitation[Dean1998]を複数シードに拡張。 • 多くの異なるシードと参照共起関係にあるWebサイトを発見。 関連度＝参照共起関係にあるシードの数 + 0.1×Σシードと参照共起する回数 シード シードセット 関連Webサイト(関連度： 1.3) 関連Webサイト(関連度： 2.2)
評価実験： 対象データ • Webディレクトリ • Open Directory Projectの日本語カテゴリ http://dmoz.org/World/Japanese/ • 登録Webサイト数 6,143URL • カテゴリ数 702 • 大域Webグラフ • サーチエンジンODINの検索対象Webページ • Webディレクトリの登録サイトを起点として収集。 • 総Webページ数 約1130万URL 辺となるハイパーリンク 約1350万本 辺の起点 約80万個，辺の終点 約110万個
実験１： 精度の評価 元々のカテゴリで発見された評価用Webサイト 精度＝ 評価用Webサイトのうち発見されたもの • 関連Webサイトが正しいカテゴリに配置されるか？ • 各カテゴリから、評価用Webサイトを一つずつ取り出す。 • それらを除いたWebディレクトリに拡大手順を施す。 • 評価用Webサイトが発見されたときの精度を評価。 注意：元々Webディレクトリに登録されていたWebサイトのみを評価。
実験１：精度の評価結果 • MultiCocitationは実用的な精度を達成。 • Companion+ではトピックドリフトが発生。 • 被参照数の大きいシードにのみ関連するWebサイトが発見されやすい。 各カテゴリで最大N件の関連Webサイトを発見した場合の精度
実験１：シードセットサイズと発見精度 • 登録Webサイト数が大きいカテゴリでは精度が低下 • シード数が大きいカテゴリは、他のカテゴリの関連Webサイトを奪うことがある。→関連度の定義に改善の余地がある。
実験２-1： 適合度の評価 • 被験者：ネットワーク分野の研究者８名。 • カテゴリ：被験者がよく知っている分野を２つ。 • 関連Webサイトのトピックとの適合性を判断。 • 適合する ＋２点 • どちらかといえば適合する ＋１点 • 評価不能（アクセスできないなど） ０点 • どちらかといえば適合しない －１点 • 適合しない －２点 • カテゴリの適合度＝関連Webサイト全体の平均点 注意：分類精度の評価とは異なる。
実験２-1： 適合度の評価 • Companion+ 平均0.99 • MultiCocitation 平均1.44 • カテゴリによって適合度の高低がある。 × アート/映画/洋画 ○ /音楽/ビートルズ ○ニュース/新聞
実験２-1： 適合度の評価 • 適合度の低いカテゴリがある理由 • リンク集における分類と、Webディレクトリの分類の不一致。 例：アート/映画/洋画…邦画のWebサイトが発見される。 • 近傍Webグラフが小さいカテゴリでは、少数の関連Webサイトしか得られない。シードセット中に被参照数の大きいWebサイトが一つは必要。
実験２-２： 重要度の評価 • 登録する価値があるWebサイトが発見されるか？ • 知名度、信頼性、情報量、オリジナリティ、デザインで判断。 • 登録すべき ＋２点 • どちらかといえば登録すべき ＋１点 • 評価不能（アクセスできないなど） ０点 • どちらかといえば登録すべきでない －１点 • 登録すべきではない －２点 • 各カテゴリで重要度（平均点）を比較 • シードセットのWebサイト。 • 発見された関連Webサイトのうち、「適合する」あるいは「どちらかといえば適合する」Webサイト
実験２-２：重要度の評価結果 • Companion+の評価 • 被参照数の大きいWebサイトを発見しやすい。→トピックに適合していれ ば、重要なWebサイト。 • MultiCocitationの評価 • 網羅的なリンク集の影響で、重要度の低いWebサイトを発見しやすい。 • シードセットの重要度と正の相関がある。 シードセット 平均1.00 Companion+平均0.96 MultiCocitation平均0.74
まとめと今後の課題 • 関連Webページ発見アルゴリズムを拡張し、Webディレクトリの自動拡大を実現した。 • 多数のカテゴリを持つWebディレクトリでも、高い精度で関連Webサイトを発見できた。 • シードセットの重要度が高いときには、トピックに適合し、重要度の高いWebサイトを発見できた。 • 今後の課題 • 適合度と重要度を両立するアルゴリズムの検討。 • カテゴリ間の関係(階層構造)の利用。 http://odin.ingrid.org/にてデモシステムを公開予定。
