@article{oai:ipsj.ixsq.nii.ac.jp:00094392,
 author = {呉, 鍾勲 and 鳥澤, 健太郎 and 橋本, 力 and 川田, 拓也 and デサーガ, ステイン and 風間, 淳一 and 王, 軼謳 and Jong-Hoon, Oh and Kentaro, Torisawa and Chikara, Hashimoto and Takuya, Kawada and Stijn, DeSaeger and Jun'ichi, Kazama and Yiou, Wang},
 issue = {7},
 journal = {情報処理学会論文誌},
 month = {Jul},
 note = {本稿では，意味的知識を用いてWhy型質問応答システムの精度を向上させるための手法を提案する．具体的には，「ネガティブな（望ましくない）事象の理由はネガティブな（望ましくない）事象であることが多い」，「ポジティブな（望ましい）事象の理由はポジティブな（望ましい）事象であることが多い」という意味的極性に関わる傾向，そして，質問に含まれた単語（たとえば「病名」）とその回答に含まれた単語間（たとえば「有害物質」，「ウィルス」，「体の部位」）の意味的な相関関係を機械学習による回答抽出に用いることによりWhy型質問応答の性能改善を図る．評価実験は人手で作成した850個のWhy型質問と6億件のWeb文書から抽出したその回答候補（各20個からなる）を用いて行った．NTCIR6-QAC4のnon-factoid型質問応答のタスクにおいて，正しい回答を1つ以上得られた質問の数が最も多かった従来手法を実装して提案手法と比較した結果，提案手法によって最上位結果の精度が15.2%向上したことを確認した．, In this paper we explore the utility of sentiment analysis and semantic word classes for improving why-question answering on a large-scale web corpus. Our work is motivated by the observation that a why-question and its answer often follow the pattern that if something undesirable happens, the reason is also often something undesirable, and if something desirable happens, the reason is also often something desirable. To the best of our knowledge, this is the first work that introduces sentiment analysis to non-factoid question answering. We combine this simple idea with semantic word classes for ranking answers to why-questions and show that on a set of 850 why-questions our method gains 15.2% improvement in precision at the top-1 answer over a baseline system that achieved the best performance in the number of questions for which there is at least one correct answer in system results in the shared task of Japanese non-factoid question answering in NTCIR-6 QAC4.},
 pages = {1951--1966},
 title = {意味的極性と単語クラスを用いたWhy型質問応答の改善},
 volume = {54},
 year = {2013}
}