Deepening linguistic analysis methods for understanding and utilizing real documents

深化理解和利用真实文档的语言分析方法

• 批准号: 22K19818
• 负责人: 相澤 彰子
• 金额: $ 4.08万
• 依托单位: National Institute of Informatics
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Challenging Research (Exploratory)
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022-06-30 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22K19818/
• 关键词: 文書理解; 自然言語解析; 言語モデル; 文書レイアウト; 視覚的言語理解; 文書理解; 自然言語解析; 言語モデル; 文書レイアウト; 視覚的言語理解

現在の自然言語処理は、入力単位としてトークンの並びである「文」または「文の集合」を想定している。しかし、現実の文書には、レイアウト構造や表示スタイルなどが混然一体となって埋め込まれ、読みを支援する「手がかり」として機能している。人間が文書を読む際には、視覚的な入力を通してこのような手がかりを即座に解読して、「文」の意味理解へとつなげていると考えられる。そこで本研究では、文書中に埋め込まれた非言語情報を抽出・活用するための文書解析手法を検討する。具体的には、（１）レイアウトされた文書やインタラクティブなメディア（ウェブ上のフォーム）などの文書全体、（２）文書中の非言語要素（数式など）と対応する説明文（３）言語音意味とは独立の編集的な属性（例：大文字・小文字の違い）の３つの文書構成要素に注目する。そして、これらを分析・モデル化することで、人間の可読性を高めたり、計算機の言語処理性能を向上したりするための手法を開発する。初年度である２０２２年度は、近年の大規模言語モデルの登場を踏まえて関連分野の調査を行うとともに、上記３つの研究課題に取り組んだ。

当前的自然语言处理假定“语句”或“一组语句”，它们是代币作为输入单元的序列。但是，实际文档嵌入了布局结构和显示样式的混合物中，并充当“线索”以帮助阅读。当人类阅读文档时，人们相信这些提示会通过视觉输入立即解密，从而理解“句子”的含义。因此，本研究研究了文档分析方法用于提取和利用文档中嵌入的非语言信息。 Specifically, we will focus on three document components: (1) the entire document, such as a laid-back document or interactive media (forms on the web), (2) the non-verbal elements (e.g., mathematical expressions) in the document and corresponding explanatory texts, and (3) editable attributes (e.g., differences in uppercase and lowercase letters) that are independent of the linguistic sound meaning.通过分析和建模这些，开发了改善人类可读性并提高计算机语言处理性能的方法。在2022年的第一年，我们根据最近的大规模语言模型的出现，对相关领域进行了研究，并从事以上三个研究主题的研究。