11.7.5 セマンティックグラフと AMR：文を構造化された意味に変える

AMR セマンティックグラフ理解マップ

一、なぜセマンティックグラフが必要なのか？

普通のテキスト表現は、たとえばこんな形です。

ジョブズは Apple を創業した。

でも、情報抽出や知識ベースのシステムは、次のような構造を求めています。

人物：ジョブズ
関係：創業
組織：Apple

さらに複雑になると、文の中には時間、場所、因果関係、条件、否定、照応などが入ってきます。そうなると、単純なキーワード一致だけでは足りません。

セマンティックグラフの目標は、次のようなものです。

自然言語の意味を、機械がより扱いやすいグラフ構造に変えること。

二、AMR とは？

AMR は Abstract Meaning Representation の略で、まずは抽象的な意味表現の一種だと考えるとよいです。

AMR は、単にエンティティを示すだけではなく、イベントや役割の関係も表そうとします。

たとえば「分析者がインシデントレポートを読む」は、次のようにイメージできます。

read-01
  ARG0: 分析者
  ARG1: インシデントレポート

この構造が表しているのは、次の内容です。

中心となるイベントは「読む」
誰が読むのか：分析者
何を読むのか：インシデントレポート

これは単なる分かち書きよりも、ずっと「文が本当に言いたいこと」に近い表現です。

初心者にとって一番読みやすい見方は、次のようなものです。

flowchart LR
    E["read-01<br/>イベント"] --> A0["ARG0<br/>誰が読む？<br/>分析者"]
    E --> A1["ARG1<br/>何を読む？<br/>インシデントレポート"]

ARG0 と ARG1 は「1番目の単語」「2番目の単語」という意味ではありません。意味上の役割です。多くの単純なイベント文では、まず次のように読めます。

ARG0: 動作を行う人やもの
ARG1: 動作の対象になるもの

この小さな見方の切り替えが重要です。セマンティックグラフは、語順よりも意味の関係を重視します。

三、セマンティックグラフと情報抽出はどう関係するのか？

情報抽出は、通常は次のような具体的なタスクに分かれます。

エンティティ抽出
関係抽出
イベント抽出
属性抽出

セマンティックグラフは、これらの結果をまとめて、より完全な意味構造として整理するイメージです。

タスク	出力のイメージ
NER	どの語が人名、組織名、場所か
関係抽出	A と B がどんな関係か
イベント抽出	誰が、いつ、何をしたか
AMR / セマンティックグラフ	文全体の役割と意味構造

四、なぜ RAG や知識ベースのプロジェクトに役立つのか？

前に挙げた「知識ベースから自動で Word の教材を作る」プロジェクトでは、セマンティックグラフの考え方がとても役立ちます。

教材には、よく次のような要素が入るからです。

定義
例題
手順
条件
注意点
前後関係や因果関係

システムがベクトル検索だけを行うと、似た段落は見つかっても、構造までは理解できないことがあります。一方で、構造化された関係を抽出できれば、教材をより安定して組み立てられます。

知識点定義例題解法手順よくある間違い練習問題

これが、セマンティックグラフと情報抽出が知識ベースシステムにとって重要な理由です。

五、構文解析や再帰ニューラルネットワークとの関係

Transformer が主流になる前、NLP では長い間、構文構造や意味構造が研究されていました。

たとえば、次のような分野があります。

依存構文解析
句構造解析
役割ラベル付け
木構造を表現するための再帰ニューラルネットワークの研究

これらの研究が共通して示しているのは、1つのことです。

テキスト理解は、単なる単語ベクトルの類似度だけではなく、構造的な関係も含む。

今日の大規模モデルは、多くの構造を暗黙的に扱えるようになっています。それでも、厳密さが必要な知識ベース、法律、医療、SOP 文書生成では、明示的な構造が今でもとても重要です。

六、最小限の構造化抽出の例

以下は完全な AMR ではなく、あくまで「文を構造として書き直す」感覚を示す簡単な例です。

sentence = "Andrew Ng 教授が機械学習コースを教えている"

semantic_graph = {
    "event": "教える",
    "teacher": "Andrew Ng 教授",
    "topic": "機械学習コース",
}

for role, value in semantic_graph.items():
    print(role, "=>", value)

想定出力：

event => 教える
teacher => Andrew Ng 教授
topic => 機械学習コース

まずは役割表として読んでください。文はただの文字列ではなく、イベントと参加者の構造になります。

ここで大事なのは、まず次の点を理解することです。

テキストは役割に分解できる
役割はグラフのように結びつけられる
グラフ構造は、その後の生成や検索に役立つ

七、1つの文から SOP 文書構造へ

知識ベースから SOP 文書を生成したい場合、セマンティックグラフは「検索された段落」と「最終的な Word 文書」の間に置く中間構造になります。

小さな例を見てみましょう。

sentence = "返金エスカレーション規則は、一次対応が標準期間のあとでどう処理するかを助ける。"

semantic_graph = {
    "policy": "返金エスカレーション",
    "function": "どう処理するかを助ける",
    "scenario": "一次対応",
    "condition": "標準期間のあと",
}

sop_block = {
    "title": semantic_graph["policy"],
    "summary": "標準期間を過ぎた返金の扱いを整理する規則。",
    "why_it_matters": f"{semantic_graph['scenario']} が {semantic_graph['function']} ために重要。",
    "draft_hint": f"{semantic_graph['condition']} の明確な対応ルールとして説明する。",
}

for key, value in sop_block.items():
    print(f"{key}: {value}")

想定出力：

title: 返金エスカレーション
summary: 標準期間を過ぎた返金の扱いを整理する規則。
why_it_matters: 一次対応 が どう処理するかを助ける ために重要。
draft_hint: 標準期間のあと の明確な対応ルールとして説明する。

これが意味構造の実用的な価値です。役割が明示されると、次のテンプレートがそれらを安定して再利用できます。

流れは次のように整理できます。

flowchart LR
    A["検索された段落"] --> B["役割と関係を抽出"]
    B --> C["セマンティックグラフ"]
    C --> D["教材テンプレート"]
    D --> E["定義 + 例題 + よくある間違い + 練習"]

そのため、すぐに完全な AMR パーサーを実装しなくても、AMR はより構造的な問いを立てる訓練になります。

ここで扱う概念は何か？
どんな動作や関係が述べられているか？
その関係に参加している対象は何か？
条件、原因、結果は付いているか？

八、歴史的な流れをコースの章に対応づける

歴史的な流れ	解決しようとした問題	対応するコース章
構文解析 / 再帰ニューラルネットワークの研究	木構造による言語表現	7.5 本節、5.2 Seq2Seq の背景
AMR	文の意味をセマンティックグラフで表す	7.5 本節、7.4 情報抽出プロジェクト
意味役割付与	誰が誰に何をしたか	7.4 情報抽出、知識グラフの拡張
Knowledge Graph	抽出結果を検索可能な知識として整理する	第 8 章 RAG、知識ベースシステム

九、この節を学んだあとに身につけたい感覚

ベクトル検索は「どの文が似ているか」を教えてくれます。セマンティックグラフは「その文の中にどんな役割や関係があるか」を重視します。

教材作成、知識ベースQ&A、自動 Word 文書生成をやるなら、この違いはとても大切です。

ベクトル検索は資料を見つける
情報抽出は要点を拾う
セマンティックグラフは構造を整理する
大規模モデルはテンプレートに沿って内容を生成する

これが、現代の知識ベースアプリケーションで「検索 + 構造化 + 生成」がますます重視されている理由です。

残す証拠

このページを終えたら、この evidence card を残します。

タスク出力: ラベル、entity fields、要約、回答、retrieval 結果、または semantic graph
成果物: 生テキスト、処理済みテキスト、予測、metrics、失敗ケース
指標: accuracy/F1、precision/recall、検索ヒット率、忠実性、またはスキーマ妥当性
失敗確認: 不明確なラベル、過度なクリーニング、境界エラー、ハルシネーション、または裏付けのない回答
期待される成果: 指標と例を含む再現可能なテキストパイプラインフォルダ

レビュー観点と通過基準

役に立つ semantic graph は、きれいな要約ではありません。下流テンプレートが再利用できる roles、relations、conditions、missing fields を表に出すものです。
raw paragraph、抽出された graph、生成された content block を横に並べて確認します。source text に戻れない field は unsupported として扱います。
relation を落とした、または作ってしまった failure case を 1 つ残します。それが次の Prompt または schema 改善の入口になります。
同じ graph fields で structured SOP block、QA answer、knowledge-base record を動かせるなら、このページは完了です。