Building a Finnish SOM-based ontology concept tagger and harvester
Seppo Nyrkkö · 2018
I demonstrate here an experiment of word sense disambiguation method based on the Self-Organizing Map (SOM) and a pre-existing set of tools for analyzing text in Finnish.It is given a Semantic Web ontology as a reference model, and a related Finnish text corpus with sample term tagging related to the ontology concepts.The experiment is based on "OntoR", a previous experiment on SOM-based ontology term tagging for English.In this work the OntoR model is adapted to the Finnish language, and it is trained on a small text example with hand-picked concept annotations.This computational model can be considered useful for Information Retrieval and concept harvesting purposes in a specific domain where a limited training data set is available.The model adapted to Finnish text analysis stands on OMORFI and HFST morphological analysis, and uses the SOM-PAK library for unsupervised clustering, and ontology concept tagging and further for concept harvesting in Semantic Web ontology development. TiivistelmäKehitän luonnollisessa kielessä ilmenevien sanojen merkitysten erotteluun sopivaa automaattista koneoppivaa työkalua.Laskennallinen malli perustuu itseoppivaan karttaan (SOM, Self-Organizing Map) ja annettuun suomenkieliseen semanttisen webin ontologiaan.Malli oppii tunnistamaan käsitteiden ilmenemistä mallitekstistä, johon on annotoitu (tagattu) malliksi aiemmin laaditun ongologian käsitteitä.Koe liittyy aiemmin englanninkielisten käsitteiden taggaamiseen liittyvään OntoR-koejärjestelyyn joka tutki tekstisyötteessä ilmenevien termien liittämistä SOM-kartan soluihin malliksi annetun annotoidun tekstiesimerkin avulla.Tällainen malli oppii annetun käsitemallin huomattavan niukalla esimerkkiaineistolla ja sopii käyttökohteisiin joissa ei ole tarjolla riittävän suurta datamäärää syvän oppimisen neuroverkkomallin opettamiseksi.Suomenkielisen kokeen morfologisen analyysin pohjalla on OMORFI-ja HFST-työkalut.Koneoppimisen toteuttava SOM-kartta lasketaan SOM-PAK-ohjelmistopaketin avulla.Kehitettyä laskennallista mallia käytetään käsitteiden tunnistamisen lisäksi myös uusien ontologiakäsitteiden ehdokkaiden löytämiseksi.