1 基本概念
1.1 情報抽出の定義と目的
情報抽出は、非構造化または半構造化テキストから、あらかじめ定義された種類の構造化情報を自動的に識別・抽出する自然言語処理技術である。主な目的は、大量の文書に埋もれた意味のある知識（エンティティ、関係、イベントなど）をデータベースや知識グラフとして体系化し、検索・分析・推論に利用可能にすることである。医療文献からの疾患・薬剤情報収集や、ニュース記事からの出来事整理など、実用的な知識獲得の基盤として機能する。
1.2 情報検索との違い
情報検索（Information Retrieval）は、ユーザーのクエリに関連する文書全体を検索・返却するのに対し、情報抽出は文書内の特定の情報要素（固有名詞、数値、関係など）を構造化して取り出す点で異なる。例えば、検索が「オリンピックに関する記事」を返すのに対し、抽出は「開催年」「開催都市」「金メダル獲得数」を表形式で出力する。情報抽出は検索結果の後処理や高度な分析を可能にするが、その対象範囲は検索より狭く、タスク依存の定義を必要とする。
1.3 抽出対象の種類
1.3.1 エンティティ
エンティティは、テキスト内の具体的な実体を指す。人名、組織名、地名、日付、金額、製品名などが該当し、固有表現認識（NER）の主要な対象となる。例えば「Apple社が2024年にiPhoneを発表した」からは「Apple社」（組織）、「2024年」（日時）、「iPhone」（製品）が抽出される。エンティティは構造化データの基本単位として、関係抽出やイベント抽出の入力となる。
1.3.2 関係
関係は、エンティティ間の意味的つながりを表す。典型的な関係には「勤務先」「所在地」「発明者」「原因・結果」などがある。文中のエンティティペアに対して、あらかじめ定義された関係ラベルを割り当てる。例えば「スティーブ・ジョブズがApple社を設立した」からは、（スティーブ・ジョブズ, 設立者, Apple社）という三重項が抽出される。
1.3.3 イベント
イベントは、特定の時点・場所で発生した出来事を、その参加者（エンティティ）や属性（時間、場所、原因）とともに抽出する。例えば「台風19号が2023年9月に日本列島を縦断し、10名の死者を出した」からは、「台風19号」を主体とする「縦断」イベントと、その結果としての「死者発生」イベントが構造化される。イベント抽出はニュース分析や災害情報整理に重要である。
2 主要技術と手法
2.1 前処理技術
2.1.1 トークン化
トークン化は、テキストを単語や句読点などの最小単位（トークン）に分割する処理である。英語では空白や句読点で区切るが、日本語や中国語などの無分かち書き言語では形態素解析器（MeCab、Jumanなど）を用いる。適切なトークン化は、その後の品詞タグ付けや構文解析の精度に直接影響する。
2.1.2 品詞タグ付け
品詞タグ付けは、各トークンに名詞、動詞、形容詞などの品詞を付与する処理である。エンティティの候補となる固有名詞や、関係抽出で重要な動詞句を特定するために用いられる。代表的なツールにStanford POS Tagger、spaCy、NLTKなどがある。精度は現代の深層学習ベースモデルで95%以上に達する。
2.1.3 構文解析
構文解析は、文の文法構造を木構造（依存関係木や句構造木）で表現する処理である。係り受け解析により主語-動詞-目的語の関係を把握し、エンティティ間の距離や関係を特徴量として抽出に利用する。近年はニューラルネットワークによる高精度な解析器が普及している。
2.2 ルールベース手法
2.2.1 正規表現とパターンマッチング
正規表現を用いて、電話番号、メールアドレス、日付など、一定のパターンを持つ情報を抽出する手法。例として「[A-Z][a-z]+ \d{4}」で「January 2024」を捉える。手軽で高速だが、複雑な表現や曖昧性には弱く、ルールのメンテナンスコストが膨大になる欠点がある。
2.2.2 手動ルールの構築
ドメイン専門家が言語パターンを分析し、抽出条件を手作業で記述する。例えば「[人物]は[組織]に勤務する」というパターンで勤務関係を抽出する。精度は高いが、新しいドメインや表現への適応力が低く、ルール数が増えると矛盾や重複が発生しやすい。特定の閉じた領域では今なお実用的に使われる。
2.3 統計的・機械学習手法
2.3.1 教師あり学習
2.3.1.1 隠れマルコフモデル
隠れマルコフモデル（HMM）は、観測系列（トークン列）の背後にある隠れた状態系列（ラベル列）を確率的に推定する生成モデルである。固有表現認識に初期に適用され、Bigramの遷移確率と出現確率を用いて最適なラベル列を求める。計算効率が良いが、長距離依存のモデリングが苦手で、後のCRFに取って代わられた。
2.3.1.2 条件付き確率場
条件付き確率場（CRF）は、系列ラベリングのための識別モデルで、隣接ラベル間の遷移と観測特徴を統合した条件付き確率を最大化する。HMMより柔軟な特徴量設計が可能で、特に固有表現認識と関係抽出において長く標準的な手法だった。現在は深層学習ベースの手法に取って代わられつつあるが、軽量で解釈性が高い利点がある。
2.3.2 教師なし学習
教師なし学習は、ラベル付きデータを使わずに、テキストの統計的パターンから情報を抽出する手法。クラスタリングや分布仮説に基づき、類似エンティティのグループ化や、共起情報からの関係発見を行う。具体的手法として、潜在ディリクレ配分法（LDA）によるトピック抽出や、単語埋め込みのベクトル類似度を用いた関係探索がある。ただし精度は教師あり学習に劣るため、ラベル不足の初期探索や半教師あり学習の起点として利用される。
2.3.3 深層学習
2.3.3.1 リカレントニューラルネットワーク
リカレントニューラルネットワーク（RNN）は、系列データを順次処理し、文脈情報を隠れ状態で保持する。LSTMやGRUなどの変種が長期依存の学習に有効で、固有表現認識や関係抽出における系列ラベリングタスクで広く使われた。双方向RNNが文全体の文脈を捉えることで、従来のCRFを上回る精度を示した。
2.3.3.2 Transformerモデル
Transformerは、自己注意機構により全トークン間の関係を並列計算するモデルである。BERT、RoBERTaなどの事前学習モデルは大規模コーパスで汎用的な言語表現を学習し、情報抽出の各タスクにおいてFine-tuningすることで最高精度を達成する。従来の手法と比較し、長距離依存や曖昧性の解決に優れ、複数タスクを統一的に扱える利点がある。現在、情報抽出の主流な基盤技術である。
3 代表的なタスク
3.1 固有表現認識
固有表現認識（NER）は、テキストから人名、組織名、地名、日時、金額などの固有名詞を検出し、その種類を分類するタスクである。例えば「東京のソニーで働く田中氏」から「東京」（場所）、「ソニー」（組織）、「田中氏」（人名）を抽出する。情報抽出の最も基本的なサブタスクであり、その後の関係抽出やイベント抽出の前段階となる。
3.2 関係抽出
関係抽出は、文中の2つのエンティティ間にあらかじめ定義された関係が存在するかどうかを判定し、その関係タイプをラベリングするタスクである。「スティーブ・ジョブズが1976年にApple社を設立した」という文からは、（スティーブ・ジョブズ, 設立者, Apple社）という関係が抽出される。文脈を考慮した分類が必要であり、文書全体にわたる複数文にまたがる関係抽出も研究されている。
3.3 イベント抽出
イベント抽出は、テキスト中で発生する出来事（イベント）を特定し、そのトリガー（動詞や名詞）と参加者（エンティティ）、時間・場所などの属性を構造化するタスクである。例えば「2023年8月、台風7号が関東地方に上陸し、交通障害が発生した」からは、「上陸」イベントと「発生」イベントが抽出される。イベント抽出はさらにイベント検出（トリガー認識）とイベント引数抽出に分割される。
3.4 共参照解決
共参照解決は、テキスト内で同一の実体を指す異なる表現（例：「Apple社」「同社」「it」）を同一のエンティティにまとめるタスクである。文書中の代名詞や省略表現に含まれる情報を復元し、抽出結果の完全性と一貫性を向上させる。例えば「ジョブズはApple社を設立した。彼は1997年に復帰した」の「彼」を「ジョブズ」に紐付ける。
4 評価指標
4.1 適合率
適合率（Precision）は、システムが抽出した結果のうち、正しく抽出されたものの割合である。式は「正しく抽出された項目数 / システムが抽出した全項目数」で表される。高い適合率は誤検出（False Positive）が少ないことを意味し、抽出結果の信頼性を示す。
4.2 再現率
再現率（Recall）は、テキスト中に存在する正解項目のうち、システムが抽出できたものの割合である。式は「正しく抽出された項目数 / テキスト中の全正解項目数」で表される。高い再現率は見逃し（False Negative）が少ないことを意味する。
4.3 F値
F値（F-measure）は、適合率と再現率の調和平均であり、両者のバランスを評価する単一指標である。最も一般的なF1値は「2 * (適合率 * 再現率) / (適合率 + 再現率)」で計算される。情報抽出の性能評価において、適合率と再現率のトレードオフを考慮するために広く用いられる。
5 応用分野
5.1 ビジネスインテリジェンス
企業は情報抽出を用いて、市場レポート、競合ニュース、顧客フィードバックから、製品名、売上数値、競合企業の動向を自動収集し、競争分析やマーケティング戦略に活用する。例えば、ニュースサイトから新製品の発売情報を抽出し、タイムリーな市場調査を可能にする。
5.2 バイオメディカル情報処理
医学文献や臨床記録から、遺伝子名、疾患名、薬剤名、およびそれらの相互作用（例：「薬Aが疾患Bに有効」）を抽出する。これにより、創薬ターゲットの発見や副作用予測、医療知識グラフの自動構築が支援される。膨大な研究論文の効率的な情報整理に不可欠である。
5.3 法律文書分析
裁判例や契約書から、当事者名、判決理由、条項内容、日付などを抽出し、法律データベースの構築や過去事例の類似検索に利用する。例えば、複数の契約書から「秘密保持期間」や「損害賠償額」を一覧化することで、契約審査の効率化が図られる。
5.4 ニュース監視と要約
ニュース記事から、発生したイベント（災害、選挙結果、経済指標）と関係するエンティティ（人物、組織、地名）を抽出し、時系列に整理することで、速報性の高い情報監視を実現する。例えば、複数のニュースから同一イベントの内容を統合し、要約やトレンド分析を行うシステムに応用される。
6 課題と展望
6.1 ドメイン適応
情報抽出モデルは一般には高精度だが、特定の専門ドメイン（特許文書、医療カルテ、ゲームレビューなど）に適用すると性能が低下する。ドメイン固有の語彙や文体に対応するため、少量のラベルデータによるFine-tuningや、敵対的学習によるドメイン不変表現の獲得が研究されている。
6.2 少数例学習
ラベル付きデータの収集はコストが高いため、少数の例から抽出ルールやモデルを学習する技術が求められる。メタ学習やプロンプトベースの手法、大規模言語モデルのFew-shot能力を活用することで、少ないサンプルで高い精度を達成する試みが進んでいる。
6.3 マルチモーダル情報抽出
テキストだけでなく、画像、音声、動画などのマルチモーダルデータから情報を抽出する技術が発展している。例えば、ニュース動画の音声と字幕、画像中のテキスト情報を統合し、よりリッチなイベント知識を獲得する。Transformerベースのマルチモーダルモデルが主流になりつつある。
6.4 説明可能性と信頼性
情報抽出システムが出力した結果の根拠を人間が理解できる形で示す必要がある。特に医療や法律などのハイリスク領域では、モデルの判断理由を説明し、誤抽出を検証できる枠組みが求められる。注意重みの可視化、ルールベースの補足説明、確信度の提示などが研究されている。