Blog

世論を理解することで、 あらゆるビジネスにおいてこれまでにない洞察力を引き出すことができます。 その結果、 テキストの内容を分析し、これが否定的または肯定的な感情であるかを理解する要因を抽出するプロセスである オピニオンマイニング が急速に人気が高まっています。 事前に学習した言語モデルをファインチューニングすることで、ユーザーレビューから高品質の抽出をおこなうことができますが、すべての組織がそのための十分な量の学習データにアクセスできるわけではありません。  この問題を解決するため、 Megagon Labs は拡張データを用いた半教師あり学習でチューニングをした言語モデル上に構築したオピニオンマイニングシステム、Snippextの開発を試みました。その結果、最適なパフォーマンスを維持しながら、オピニオンマイニングの言語モデルのチューニングに必要となるラベル付き学習データの量を大幅に削減できることがわかりました。 

Megagon Labs Tokyoのメンバーズ・ボイスへようこそ！ 連載 1 回目となる今回は、東京オフィスで日本語自然言語処理技術の研究を主導し、国内学会をはじめ国際学会でも着々と成果を創出している 林部 祐太 さんがMegagon Labsに至るまでのバックグラウンド、興味・関心や現在取り組まれている研究、そしてトップ研究者として走り続ける秘訣に迫ります。  これまでの経歴と、Megagon Labsにジョインした理由を教えてください 大阪大学、奈良先端科学技術大学院大学を経て博士(工学)の学位を取得しました。大学院から自然言語処理の研究を始め、博士課程修了後は京都大学で研究員として勤務しました。そこで日本語NLPの研究を続けていく中で音声言語処理にも関心を持ったこと、企業にも興味があったことからインダストリアル側に軸足を移し、音声認識などに関する研究開発を行いました。このように研究開発の仕事をしてきた中でMegagon

何が私たちを幸せにするのでしょうか？  この問いはポジティブ心理学の中心的なトピックであり、特に「どのような行動変容が持続可能な形で人々に幸福感をもたらすのか？」 は、長年議論されてきたテーマです。これを解明するために、Megagon Labsは “ 幸せの含意認識 (Happiness Entailment Recognition)  プロトタイプ

セマンティック型の検出は、表のカラムなどのデータソースのリアルワールドデータ ( real-world references ) を識別することを目的としています。実世界の概念との対応関係を確立することで、セマンティック型はきめ細かいデータ記述を提供し、データクリーニング、 スキーママッチング、 セマンティック検索、 データの可視化などのデータ前処理と情報取得のタスクを改善することができます。 たとえば、特定のカラムの文字列の値が人や物の名前を参照していることをシステムが検出できた場合、各文字列の最初の文字を大文字にし、残りは小文字のままにする変換ルールを自動的に適用することが可能です。

過去10年間、文明から離れた暮らしを送っていない限り、チャットボットを使用したことがある、また、チャットボットと対話したことがある方は多いでしょう。 チャットボットは会話に対応することが可能で、音声またはテキストを使用して人々を支援します。 しかし、ホテルをはじめとする様々な分野のビジネスをサポートする場合、チャットボットの性能は限定的とも言えます。 これに対処するために、Megagon Labsではホスピタリティ業界向けのQ&Aチャットボット、ConciergeBotを構築しました。  インテント（意図）に関する課題 「Hey Siri、新しいメッセージを読んで。」 「Alexa、今日の天気はどう？」 「OK

主観的データと体験検索がユーザーレビューから価値を多く引き出す方法に関するシリーズの第2回目です。 第1章では、通常の 検索エンジン と レビュープラットフォーム がどのようにして期待と実体験間のズレを引き起こすのかを検証してきました。 また、体験情報検索の需要と今まで大きく取り上げられなかった理由ついても解き明かしてきました。 前回の記事を見逃した方はこちらからご覧ください。  このシリーズの最終章となる第2章では、主観的データシステムのOpineDBが、最も一般的な体験情報検索の課題をどのように解決するかについて、実験結果と合わせて見ていきたいと思います。 また、OpineDBのパフォーマンスが、昨今人気のある2つの検索プロトコルに匹敵している点についても解説します。