２ちゃんねるを対象とした悪口表现の抽出
?
2 likes?2,123 views
石坂 達也, 山本 和英. ２ちゃんねるを対象とした悪口表现の抽出. 言語処理学会第16回年次大会, pp.178-181 (2010.3)
２ちゃんねるを対象とした悪口表现の抽出
- 1. 2ちゃんねるを対象とした 悪口表現の抽出 長岡技術科学大学 石坂達也 山本和英 1
- 2. 背景 Web上には他者を誹謗中傷する書き込みが存在 最悪の場合, 自殺のきっかけとなる 悪口書き込みはより厳重に管理されるべき 堅実な方法として… 辞書を使用したフィルタリング 2
- 3. 目的 悪口表現辞書の構築 悪口表現の抽出が必須 今回 悪口表現抽出の手法を検討 3
- 5. 悪口表現の定義 他の情報を必要としない侮辱や誹謗中傷し ている単語,句 皮肉は対象外 (例) ?あの政治家死ね ?奴らはバカな暇人野郎 5
- 6. 悪口表現の定義 他の情報を必要としない侮辱や誹謗中傷し ている単語,句 (例) 「バカ」は悪口ではない場合がある (例)バカうまい ?あの政治家死ね ?奴らはバカな暇人野郎 6
- 7. なぜ 「2ちゃんねる」なのか 2ちゃんねるは多くの人が利用している さらに, 悪口書き込みが多い 仮説 Web全体と2ちゃんねるでは 悪口表現の種類数 に大きな差はない 7
- 8. 問題点 と 基本方針 2ちゃんねるを対象にすることで生じる問題点 形態素解析器の解析ミス(単語の区切り、品詞情報) 文の区切りが句点とは限らない 造語, 隠語が多い 基本方針 品詞情報を無視 単語の過分割にも対応可能 8
- 9. 手法の流れ 1. 悪口表現種辞書の構築 2. 悪口文の収集 3. 悪口n-gram モデルの作成 4. 悪口表現抽出 9
- 10. 悪口表現種辞書の構築 人手で2ちゃんねるから悪口表現を抽出 103件 (例) みんなまとめて逝け うざい キモイ ヲタは地獄に落ちろ 10
- 11. 悪口文の収集 種辞書の登録表現を含む文(悪口文)を収集 毎日 約2000スレッドを解析 約20万文を収集できた (例) つか，官僚死ねや 泥棒ゴミクズ団体はさっさと吊ってこい！ こんなんでイチイチ騒ぐなボケカス。 11
- 12. 悪口n-gram モデルの作成 1/2 悪口文と非悪口文からモデルを作成 悪口文を約20万文, 非悪口文を約50万文 単語n-gram 1～5-gram 前向きと後ろ向きn-gramの2パターン SRILMを使用 悪口表現を持つn-gramを抽出 12
- 13. 悪口n-gram モデルの作成 2/2 - 前処理 - 悪口表現は1語に合成、汎化 (例) 男 って バカ な 暇人 野郎 ばっか 男 って <悪口> ばっか 単語は原形にして扱う 13
- 14. 悪口n-gram モデルの例 0.743 は 底抜け に <悪口> n-gram 確率 悪口表現の直前に連接する単語列 この場合n=4 （左連接属性） 0.67 <悪口> は さっさと 日本 から n-gram 確率 悪口表現の直後に連接する単語列 この場合n=5 （右連接属性） 14
- 15. 悪口n-gram モデルの例 0.743 は 底抜け に <悪口> n-gram 確率 悪口表現の直前に連接する単語列 この単語列があった時に この場合n=4 （左連接属性） 右側を抽出 0.67 <悪口> は さっさと 日本 から n-gram 確率 悪口表現の直後に連接する単語列 この単語列があった時に 左側を抽出 この場合n=5 （右連接属性） 15
- 16. 悪口表現獲得までの例 入力文 マスゴミのクズどもって，何でこうなる事が… 形態素解析後 マス ゴミ の クズ どもる て ，何 で こう なる 事が… 適用されるn-gram <悪口> どもる て ， 抽出される悪口表現 マスゴミのクズ 16
- 17. 評価実験 評価セット 悪口文378文, 非悪口文382文 評価方法 抽出された文字列を人手で悪口表現か評価 実験条件 n-gram確率を閾値 17
- 18. 実験结果(适合率) 18
- 19. 実験结果(适合率) 閾値が高い場合は高確率で 悪口表現抽出が可能 19
- 20. 実験结果(适合率) 閾値が高い場合は高確率で 悪口表現抽出が可能 しかし、３件 閾値を下げても再現率は最高で0.3 20
- 23. 実験結果 (獲得数) 23
- 24. 実験結果 (獲得数) 閾値が低い時に 新しい悪口表現の獲得可能 24
- 26. 考察：新しい悪口表現の獲得 閾値が低い場合に, 新しい悪口表現の獲得 閾値が低い場合は非悪口表現も多く獲得 同じ単語を使用する悪口表現を多く獲得 (例) 糞○○ 糞ガキ, 糞ゲー 同じ単語を使用する造語の獲得には有効 26
- 28. ご清聴有难うございました 28
- 29. 実験结果(再现率)