基于自然语言处理技术的研究主题抽取与分析-ACLAnthology.PDFVIP

基於自然語言處理技術的研究主題抽取與分析 Extraction and Analysis of Research Topics Based on NLP Technologies 世新大學資訊傳播學系 Department of Information and Communications, Shih-Hsin University 林頌堅 Sung-Chen Lin Email: scl@.tw 摘要 本論文針對研究主題分析的問題，提出一系列以自然語言處理為基礎的技 術，從學術領域中發表的論文資料中抽取重要的關鍵詞語，並將這些詞語依據彼 此間共現關係進行叢集，以叢集所得到的詞語集合表示領域中重要的研究主題。 研究主題分析在學術領域的應用上，可以提供研究人員一個清楚的梗概；在資訊 檢索的過程中，則可以幫助使用者釐清資訊需求。我們並將所提出的方法應用到 ROCLING研討會的論文資料上 ，抽取計算語言學領域的重要研究主題 。結果顯示 這個方法可以應用於國內學術領域的特殊環境，同時抽取出中文和英文的關鍵詞 語，所得到的詞語叢集結果也可以表示領域中重要的研究主題。這樣的結果初步 的驗證了本論文所提出方法的可行性。從研究結果中，我們也發現計算語言學研 究與實務應用有密切的關係，抽取出來的詞語叢集中有許多與機器翻譯、語音處 理和資訊檢索相關，在語言的計算模式上 ，語法模式與剖析、斷詞和統計式語言 1 模型的建立則是國內計算語言學家所關心的主題。 一、緒論 資訊檢索研究著重的問題是人與資訊之間的介面，近 來的研究趨勢注重於使 用者所具有的背景知識、在檢索過程中對問題的認知 [Wilson, 1999]及資料的嫻熟 程度 (material mastery)[Bishop, 1999][Covi, 1999] 。為了對一個學術領域的資訊傳播 現象進行全面的了解，所謂的「領域分析」(domain analysis)藉由對學術領域內重 要的學術活動，諸如研究、論文發表、會議參與等等進行分析，探討研究人員所 使用或產生的知識組織、結構、合作模式 、語言和通訊形式、資訊系統以及相關 標準等[Hjørland and Albrechtsen, 1995] 。而研究主題分析可以說是領域分析的一 項要務，了解重要的研究主題可以掌握領域中的知識組織，幫助使用者釐清資訊 需求(information need) ，迅速取得所需的資訊 。此外 ，藉由有系統的方法抽取研究 主題並加以分析，可以展示學術領域研究一個完整的面貌，提供新進學者在初期 進入領域時的參考，也可以作為學術研究領域發展的指引(road map) ，提供已經深 入的研究人員擴展學術研究的範疇。 本論文提出一個自動化的研究主題抽取方法，從學術領域中發表的論文集合 中選出關鍵詞語，再依據詞語彼此間出現在相同論文中具有特定意義的共現 (co-occurrences)現象 ，辨認每一篇論文中可能具有的研究主題，作為分析這個領域 重要研究主題的依據。我們認為論文的豐富詞彙訊息蘊含了研究主題。在論文發 2 表的過程中，作者藉由論文題名、摘要以及本文中的詞語將研究的問題、方法與 結果等主題傳達給讀者，甚至論文所引用的參考文獻題名也包含許多與主題相關 的詞語訊息；而讀者在閱讀論文時，便可 以依據這些詞語判斷與本身研究興趣上 的相關性 ，同時將這些資訊建構與融入個人的知識結構中 [Harter, 1992] 。以本論文 做一例子 ，在本論文的題名 、摘要和本文中包含了許多 『學術領域』、『研究主題』、 『論文』等等詞語，目的是希望讀者在閱讀時，可以從這些詞語的共同出現與使 用，了解我們所研究的主題是從學術論文中抽取重要的研究主題，而有興趣的讀 者在閱讀後，便可在研究與發表上加以利用。進一步地，在一個學術領域中，可 以發現某些受到重視的研究主題相關