自然言語のテキスト分類の技術的スタック

この投稿では、自然言語のテキストを主題別に分類するために使用される最新のアプローチを検討します。 ドキュメントの選択方法は、問題の一般的な複雑な特異性によって決定されます-ノイズの多いトレーニングサンプル、不十分なサイズのサンプル、または欠落したサンプル、クラスサイズの強いゆがみなど。 一般的に、実際の実用的なタスク。 猫をお願いします。

解決すべき課題

主に2つのタスクがあります-これは、バイナリ分類とマルチクラス分類です。 バイナリ分類は私たちに答えを与えます、この文書はまったく興味深いのですか、それとも主題にまったく含まれておらず、読む価値がありません。 ここでは、クラスサイズに約1〜20の不均衡があります。つまり、20の良いクラスが1つの良いドキュメントに分類されます。 しかし、トレーニングサンプル自体には問題があります。完全性と精度の両方にノイズがあります。 完全性のノイズは、すべてが良いとは限らない、良いドキュメントが良いとマークされる場合（FalseNegative）であり、精度のノイズは、良いとマークされるすべてのドキュメントが実際に良いとは限らない場合（FalsePositive）です。



マルチクラス分類は、ドキュメントの主題を決定し、それを数百のテーマクラスのいずれかに帰属させるというタスクを引き起こします。 この問題のトレーニングサンプルは、完全性の点では非常にノイズが多く、正確性は非常にクリーンです。同じように、マークアップは最初のケースのようにヒューリスティックではなく、手動でのみ行われます。 しかし、その後、多数のクラスのおかげで、クラスごとのドキュメント数に大きな歪みが生じ始めます。 記録された最大バイアスは6000以上です。 つまり、あるクラスのドキュメントでは、別のクラスのドキュメントよりも6千回多くなります。 2年生に1つのドキュメントがあるからです。 唯一のもの。 しかし、これは利用可能な最大の歪みではありません。ドキュメントがないクラスがあるためです。 さて、評価者は適切な文書を見つけられませんでした-ご存知のように振り返ってください。



つまり、私たちの問題は次のとおりです。

• ノイズの多いトレーニングサンプル。
• クラスサイズの強い歪み。
• 少数のドキュメントで表されるクラス。
• ドキュメントがまったくないクラス（ただし、ドキュメントを操作する必要があります）。

これらの問題を順番に解決するために、1つの分類子（シグネチャ、次に別の分類）を開発し、最初のテンプレートの弱点をカバーしてから、xgboostと回帰の形の機械学習ですべてを磨きます。 そして、このモデルのアンサンブルの上に、上記のすべての欠点をカバーする方法、つまり、一般にトレーニングサンプルなしで作業する方法をロールオーバーします。

配布セマンティクス（Word2Vec）

GoogleとYandexは、人々がWord2Vecについて質問したときに最初に表示する投稿を知っています。 したがって、私たちはその投稿から簡単に絞り、そこに書かれていないことに注意を払います。 もちろん、分散セマンティクスのセクションには、GloVe、AdaGram、Text2Vec、Seq2Vecなどの優れたメソッドがあります。 しかし、W2Vと比較した場合、それらに大きな利点はありませんでした。 W2Vベクターの使用方法を学ぶと、驚くべき結果を得ることができます。

Word2Vec：

• それは、教師なしでテキストで教えられます。
• 次のように、各トークンを実数のベクトルに関連付けます。
• 任意の2つのトークンについて、それらの間の距離のメトリック*を決定できます（コサイン測定）。
• 意味的に関連するトークンの場合、距離は正であり、1になる傾向があります。
• 交換可能な単語（スキップグラムモデル）;
• 関連する単語（BagofWordsモデル）。

*実際にはありません

交換可能な言葉

単語または文を入力（終了するには終了）：コーヒー



コーヒー0.734483

お茶0.690234

お茶0.688656

カプチーノ0.666638

コーヒーメーカー0.636362

ココア0.619801

エスプレッソ0.599390

関連する言葉

単語または文を入力（終了するには終了）：コーヒー



豆0.757635

可溶性0.709936

お茶0.709579

コーヒー0.704036

メラノロスト0.694822

補完された0.694553

グラウンド0.690066

コーヒー0.680409

複数の単語（A + B）

単語または文を入力（終了するには終了）：携帯電話



セル0.811114

電話番号0.776416

スマートフォン0.730191

電話0.719766

モバイル0.717972

携帯電話0.706131

投影関係（A-B + C）

ドルが米国を指すのと同じようにウクライナを指す単語を見つけます（つまり、ウクライナの通貨は何ですか？）。



3つの単語を入力します（EXIT to break）：us dollar ukraine



グリブナ0.622719

dolar 0.607078

グリブナ0.597969

ルーブル0.596636



フランスがフランスを指すのと同じ方法でドイツを指す単語を見つけます（つまり、ドイツという単語の翻訳）。



3つの単語を入力（EXIT to break）：フランスフランスドイツ



ドイツ0.748171

イングランド0.692712

オランダ0.665715

イギリス0.651329

長所と短所：

準備されていないテキストからすばやく学習する：

• 24コアの100 GBトレーニングファイル、BagOfWordsおよびSkipgramモデルあたり1.5か月。
• 寸法を縮小します：
• 250万トークンディクショナリは、実数のベクトルの256要素に縮小されます。
• ベクトル演算はすぐに低下します。
• 3〜5個の単語を追加した結果はすでに実用的ではありません=>ワードプロセッシングには適用されません。

ベクトルの要素は意味をなしません。ベクトル間の距離=>トークン間のメトリックのみが1次元です。 この欠陥は最も不快です。 256個もの実数があり、1キロバイトのメモリを占有しているようです。実際、利用可能な唯一の操作は、このベクトルを別のベクトルと比較し、これらのベクトルの近接度の推定値としてコサイン測定値を取得することです。 2キロバイトのデータを処理し、4バイトの結果を取得します。 そしてそれ以上。

意味ベクトル

• コーヒーの例は、トークンが意味（飲み物）でグループ化されていることを示しています。
• 十分な数のクラスターを形成する必要があります。
• クラスタリングは必要ありません。

次に、トークンが意味によってグループ化されたクラスターのセットを取得します。必要に応じて、各クラスターにラベルを付けることができます=>各クラスターには独立した意味があります。

セマンティックベクトルの構築に関する詳細はこの投稿で説明されます。

テキスト署名

テキストはトークンで構成され、各トークンは独自のクラスターに関連付けられています。

テキスト内のトークンの出現回数を計算し、テキスト内のクラスターの出現回数（クラスター内のすべてのトークンの合計）に変換できます。

ディクショナリのサイズ（250万トークン）とは異なり、クラスターの数ははるかに少ない（2048）=>ディメンションの縮小の効果が機能します。



テキストでカウントされたトークンの合計数からそれらの相対数（シェア）に移動しましょう。 次に：

• 共有はテキストの長さに依存せず、テキスト内のトークンの出現頻度にのみ依存します=>異なる長さのテキストを比較することが可能になります。
• 共有は、テキストの主題を特徴付けます=>テキストの主題は、使用されるこれらの単語によって決定されます。

特定のテキストのシェアを正規化します。 ベース全体で計算された期待値と分散：



これにより、頻出するクラスター（たとえば-代名詞、動詞、およびその他の関連する単語）と比較して、まれなクラスター（たとえば、名前など）の重要性が高まります。



テキストは、その署名によって決定されます-2048の実数のベクトルは、テキストを構成するテーマクラスターのトークンの正規化された割合として意味があります。

署名分類子

各テキストドキュメントは署名に関連付けられています。

マークアップされたテキストのトレーニングサンプルは、マークアップされた署名のデータベースになります。

調査対象のテキストについては、その署名が形成され、トレーニングセットの各ファイルの署名と順次比較されます。

分類の決定はkNN（k最近傍）に基づいて行われます（k = 3）。

長所と短所

利点：



一般化によって情報が失われることはありません（トレーニングセットの元の各ファイルと比較されます）。 機械学習の本質は、いくつかのパターンを見つけ、それらを分離し、それらだけで動作することです。トレーニングサンプルのサイズと比較してモデルのサイズを大幅に削減します。 学習プロセスのアーティファクトとして、またはトレーニングデータの不足が原因で発生する、真か偽かは関係ありません。 主なことは、最初のトレーニング情報が利用できなくなったことです。モデルでのみ操作する必要があります。 署名分類子の場合、トレーニングセット全体を念頭に置くことができます（分類子の調整に関しては、そうではありませんが、後で詳しく説明します）。 主なことは、トレーニングサンプルからどのような例がドキュメントに最も似ているかを判断し、必要に応じて状況の追加分析を結び付けることができることです。 一般化の欠如-情報の損失がないことの本質;



許容速度-24ストリームで170万件のドキュメントの署名データベースを実行するのに約0.3秒。 また、これにはSIMD命令はありませんが、すでにキャッシュヒットの最大化を考慮しています。 とにかく- パパはsiでできます。



あいまいな重複を強調表示する機能：

• 無料（分類の段階で署名などの比較）;
• 高い選択性（潜在的な複製のみが分析され、主に同じトークンで構成されます。つまり、署名の近接度が高い）;
• カスタマイズ可能性（しきい値を下げて、複製だけでなく、テーマ的およびスタイル的にテキストを閉じることができます）;

推定値の正規化（0; 1];



トレーニングサンプルへの新しいドキュメントの補充の容易さ（およびドキュメントの除外の容易さ）。 新しいトレーニング画像はオンザフライで接続されます-したがって、分類器の品質は機能するにつれて向上します。 彼は勉強しています。 データベースからドキュメントを削除すると、実験やトレーニングサンプルの作成などに役立ちます。この特定のドキュメントの署名を署名データベースから除外して分類を実行するだけで、分類子の品質を正しく評価できます。

短所：

トークン（フレーズ）の相互配置は、決して考慮されません。 フレーズが最も強力な分類機能であることは明らかです。

RAM（35+ GB）の大規模な最小要件。



クラスに少数のサンプル（ユニット）がある場合、（何らかの方法で）うまく機能しません。 256次元の球の表面を想像してみてください...いいえ、そうではありません。 単に、私たちにとって関心のある主題の文書が置かれるべき領域があります。 この領域に多くのポイントがある場合（トレーニングセットのドキュメントの署名）、新しいドキュメントがこれらのポイントのうち3つに近い可能性が高くなります（kNN）。 したがって、クラスの唯一の肯定的な例でも機能する可能性がありますが、もちろん、これらの可能性は私たちが望むほど頻繁に実現されません。

正確性と完全性（バイナリ分類）

バイナリ分類のグレードを計算する方法は？ 非常に簡単-各クラスから3つの最高の署名（正と負）までの平均距離を取り、次のように評価します。

正/（正+負）。



したがって、ほとんどの推定値は非常に狭い範囲にあり、人々はいつものように、数値をパーセンテージとして解釈することを望んでいます。 その0.54は非常に良く、0.46は非常に悪いです-長い間、生産的ではなく説明するために。 それでも、グラフィックは見た目が良く、クラシックなクロスです。

署名分類子の微調整

「精度と完全性」のグラフからわかるように、分類器の作業領域は非常に狭いです。 解決策は、Word2Vecが学習する元のテキストトレーニングファイルをマークアップすることです。 これを行うには、ドキュメントクラスを定義するラベルがドキュメントのテキストに埋め込まれます。



その結果、クラスターはランダムではなくベクトル空間に配置されますが、同じクラスのクラスターが互いに引き寄せられ、反対のクラスのクラスターから最大距離で離間するように配置されます。 両方のクラスに特徴的なクラスターは中央にあります。



署名データベースのサイズを縮小することにより、メモリ要件が削減されます。



過剰な数（100万を超える）のサンプルを含むトレーニングセットシグネチャは、多数のクラスターに順次クラスター化され、各クラスターから1つのシグネチャが使用されます。 したがって：

• サンプル署名によるベクトル空間の比較的均一なカバレッジが保持されます。
• サンプルの署名が互いに非常に近いため、分類にほとんど役に立たないため、削除されます。

署名分類子、履歴書

• 速い;
• 補完しやすい。
• また、重複を検出することもできます。
• トークンの相対的な位置を考慮しません。
• トレーニングセットにサンプルがほとんどない場合は機能しません。

テンプレート分類子

署名分類子の欠陥を修正するには、テンプレートの分類子が必要です。 グラムでは、単に置く。 署名分類子が署名とテキストを一致させ、そのような署名がほとんどないときにつまずく場合、テンプレート分類子はテキストの内容をより慎重に読み取り、テキストが十分に大きい場合、単一のテキストでさえ多数の分類機能を強調表示するのに十分です。

テンプレート分類子：

最大16要素の長さのグラムに基づく：



一部のターゲットテキストは、ISO標準に従ってフレーム化されています。 多くの典型的な要素があります。

• 見出し
• 署名
• 調整シートとアーカイブタグ。

一部のターゲットドキュメントには、設計に関する情報が含まれています。

• Xml（すべての最新のオフィス標準を含む）;
• HTML

ほとんどすべてに、安定したフレーズが含まれています。たとえば、

• 「厳重に秘密、読む前に燃やす」。

Naive Baess分類器の単純化された実装です（正規化なし）。

最大6,000万の分類グラムを生成します。

すぐに動作します（ステートマシン）。

分類子の構築

グラムはテキストから際立っています。

クラスごとのグラムの相対頻度が計算されます。

クラスごとに相対頻度が（時々）非常に異なる場合、グラムは分類記号です。

1回見つかったまれなグラムは破棄されます。



トレーニングサンプルは分類され、分類が誤っていたドキュメントに従って、追加のグラムが作成され、グラムの一般的なデータベースに追加されます。

分類子の使用

グラムはテキストから際立っています。

すべてのグラムの重みは、それらが属するクラスごとに合計されます。

総重量が最も高いクラスが勝ちます。

この場合：

• より多くの説明テキストが存在するクラスは、通常、より多くの分類グラムを形成します。
• まれなクラス（いくつかの教育用テキスト）は数グラムを生成しますが、それらの平均重量はより高くなります（このクラスに固有の長いグラムが優勢であるため）。
• まれなロンググラムの明らかな優位性がないテキストは、多数の教示例を含むクラスに割り当てられます（事後分布は先験的になります）。 これが、元の素朴なBaessと、一般的にはすべての普遍的な分類子が機能する方法です。
• まれなクラスの長い一意のグラムを持つテキストは、このまれなクラスに割り当てられる可能性が高くなります（まれなクラスの選択性を高めるために、意図的に事後分布に歪みが導入されます）。 結果に対してお金が支払われ、結果を得るのがより困難になるほど、より多くのお金がかかります。 これは理解できます。 最も難しい結果は、珍しいテーマクラスだけです。 したがって、大規模でポップなクラスでは品質は低下しますが、まれなクラスを探す方が良いように、分類子を歪めることは理にかなっています。 最終的に、署名分類子はポップクラスで素晴らしい仕事をします。

長所と短所

利点：

• 比較的高速でコンパクト。
• それはよく似ています。
• クラスごとのトレーニングサンプルの1つのドキュメントから学習できます。

短所：

• 評価は正規化されておらず、元の形式ではペアワイズ基準を提供しません（より高い重みの評価がより可能性が高いことを保証することはできません）。
• 膨大な数のグラムが生成され、実際のドキュメント（重複ではない）で満たされる可能性がほぼゼロになります。 しかし、ドキュメント内でこのようなまれなグラムに出会う​​と、このドキュメントについて多くの興味深いことがすぐに言えます。 サーバーに十分なメモリがあります-これは問題ではありません。
• トレーニング段階での膨大なメモリ要件。 はい、クラスターが必要ですが、それらがあります（この投稿の追記を参照）。

非正規化評価

理由：



正規化する必要はありません-コードの強力な単純化。

非正規化された推定値には、分類に使用できる可能性のある情報がさらに含まれています。



使用方法：



分類子評価は、汎用分類子（xgboost、SVM、ANN）で使用するのに適した機能です。

さらに、汎用分類器自体が最適な正規化値を決定します。

最終的な一般化分類子（マルチクラス）

署名とテンプレート分類子の応答は、単一の特徴ベクトルに結合され、追加の処理が行われます。

• クラスごとの相対的なシェアを取得するための、推定値の統一化。
• まれなクラスをグループ化して、グループごとに十分な数のトレーニング例を取得します。
• グループ推定値の差を利用して、勾配降下のより平坦な表面を取得します。

結果の特徴ベクトルを使用して、xgboostモデルが構築されます。これにより、元の分類器の精度の3％以内の精度が向上します。

バイナリ一般化分類器

回帰の本質は次のとおりです。

• 署名分類子：
• テンプレート分類子：
• 署名およびテンプレート分類子の出力でのXgBoost。

最適化基準は、セグメント[0; 1]の完全性と精度の積の下にある最大面積であり、さらに、セグメントに分類されない分類子の発行は誤検知と見なされます。



与えるもの：



分類器の作業領域を最大化します。 人間は通常の評価を0から100のパーセンテージの形で見ますが、この評価は完全性と正確性の両方を最大化するような方法で分類されます。 仕事の最大は十字架にあり、完全性と精度の両方の値が小さすぎないことは明らかですが、左右の領域は、高い完全性に精度が乗算されず、高い精度に完全性が乗算されないため、興味の対象ではありません。 彼らは彼らにお金を払っていません。



例の一部をゼロ以下の領域に投げる=>は、分類器がこれらの例を解決できないことを示す信号です=>分類器は拒否します。 エンジニアリングの観点から、これは一般に優れた能力です-分類器自体は、破棄されたストリームに良い文書の1-2％があることを正直に警告しますが、分類器自体はそれらを扱う方法を知らない-他の方法を使用します。 または自分を謙虚にします。

バイナリ一般化分類器、1：20

上流階級のスケジュール、特に右側の楽しい閉塞。 ここで、ストリーム内のポジティブな例の比率がネガティブな例の20倍少ないことを思い出してください。 それにもかかわらず、完全性グラフは非常に標準的であるように見えます-中央に約0.3の変曲点を持つ凸凹です。 これがなぜ重要なのか、さらに説明します。

バイナリ一般化分類器、1：20、分析

完全性は73％で始まります。すべての肯定的な例の27％は分類器で効果的に解決できません。 これらの肯定的な例の27％は、継続的に回帰最適化が行われているため、正確にゼロ未満でした。 企業にとっては、これらのドキュメントに偽陰性の応答をするよりも、これらのドキュメントを扱うことができないことを報告する方が適切です。 ただし、分類子のワークスペースはほぼ30％の精度で始まります。これらは、ビジネスで既に好まれている数値です。

96％から0％の精度のブロックがあります=>サンプルには約4％の例が負とマークされていますが、実際には正（マークアップの完全性の問題）です。



5つの領域が明確に表示されます。

• 分類子障害領域（ゼロ未満）。
• 2つの準線形領域。
• 飽和領域（最大効率）;
• 閉塞エリア（完全性の問題をマーク）。

エリアに分割することにより、各エリア、特に1番目と5番目のカテゴリに追加の分類ツールを開発できます。

バイナリ一般化分類器、1：182

ここでは、バイナリ分類の同じ問題を解決しますが、同時に1つの肯定的な例には182の否定的なものが既にあります。

バイナリ一般化分類器、1：182、分析

完全性は76％で始まります。すべての肯定的な例の24％は分類器で効果的に解決できません。

すべての肯定的な例の12％は、分類器によって明確に認識されます（100％の精度）。

4つの領域が明確に表示されます。

• 分類子障害領域（ゼロ未満）。
• 2つの準線形領域。
• 100％の精度のエリア。

完全性グラフは、変曲点のない凹型である=>分類器の選択性は高い（中間に変曲点がある古典的な完全性グラフの右側に対応）。

トレーニングの例がないクラスの分類子を構築する

現実には、単一のドキュメントがマークされていないクラスが十分に多くあり、利用可能な唯一の情報は、このクラスに分類したいドキュメントに関する顧客からのメッセージです。



トレーニングサンプルを手動で作成することはできません。データベースで利用可能なドキュメントが170万件あるため、1つだけではなく、このクラスに該当するドキュメントはごくわずかです。

クラス「化粧品のマーケティング調査」

クラス名の分析から、顧客は「マーケティング調査」および「化粧品」に関連するドキュメントに関心があることがわかります。 そのようなドキュメントを検出するには、次のことを行う必要があります。



特定のトピックに関するテキストのセマンティックコアを形成します。この場合、関心のあるすべての言語で。

特定のクラスに関連しないトピックを検索します-否定的な例として使用します（たとえば、政治）。

文書のデータベースで、特定のクラスに部分的または正確に関連するいくつかのサンプル文書を見つけます。

顧客の査定官の力によって見つかった文書をマークします。

分類子を作成します。

テキストのセマンティックコアを構築します。

ウィキペディアにアクセスして、奇妙なことに「 マーケティング調査 」と呼ばれる記事を見つけます。 以下に、「 カテゴリ 」への目立たない参照があります 。 カテゴリには、このトピックに関するすべてのウィキペディアの記事と、その記事を含むネストされたカテゴリがあります。 一般に、主題テキストの豊富なソース。



しかし、それだけではありません。 メニューの右側には、他の言語の同様の記事やカテゴリへのリンクがあります。 同じテーマのテキストですが、私たちにとって興味のある言語で書かれています。 または連続してすべて-分類子自体がそれを把握します。

セマンティックカーネルの使用

次の3つのトピックがあります。

• マーケティング調査;
• 化粧品
• 政治。

これら3つのクラスにテンプレート分類子を使用します。 ドキュメントのデータベース内のすべてのドキュメントを処理し、以下を取得します。

• マーケティング調査20％;
• 化粧品6％;
• ポリシー74％。

これらの共有には、トピックごとのドキュメントの実際の分布は表示されず、テンプレート分類子によって強調表示された各クラスの属性の平均重みのみが表示されます。



ただし、そのようなドキュメントに関する共有の分布が30％、20％、50％のドキュメントを調べると、それぞれに否定的なトピック（政治）に対して特定のトピックを持つテキストの機能がより多く含まれていると主張できます-このテキストは潜在的に興味深いです：

ドキュメント検索結果

ドキュメントのデータベース全体を処理した結果、最大80のドキュメントが選択されました。そのうちの2つは、クラスと完全に一致することが判明しました。

• ドキュメントを手動で処理するときに以前に見つかりませんでした。
• セマンティックコア（ロシア語）へのエントリポイントの言語以外の異なる言語で。

見つかったすべての文書の〜36％が部分的にクラスに関連しています。

残りはクラスにまったく関係ありません。



評価の結果として、ポジティブな例とネガティブな例の両方を含む〜80文書のマークアップされたサンプルが得られたことが重要です。

分類子の構築

誤検知の60％以上は、否定的な例としての1つのポリシーでは不十分であることを示しています。



解決策：



ネガティブ、そして潜在的にポジティブな例として使用できるテキストの他のトピックを自動的に見つけます。 これを行うには：



多数のトピックに関するテキストセットを自動的に生成し、マークアップされた〜80ドキュメントのサンプルと相関する（ネガティブまたはポジティブに）テキストを選択します。

オントロジーDBPedia

他の誰かが知らない場合、Wikipedia全体が既に親切に解析され、RDF形式のファイルにソートされています。 取って使用します。 興味のある：

• ShortAbstracts-記事の簡単な要約。
• LongAbstracts-記事の長い要約。
• ホームページ-外部リソース、ホームページへのリンク。
• 記事のカテゴリ-ページのカテゴリ。
• Categorylabels-読みやすいカテゴリ名。
• 外部リンク-トピックに関する外部リソースへのリンク。
• 言語間リンク-この記事は他の言語で書かれています。

注釈のサイズは通常1〜2段落であり、ボリュームの点でほとんどの記事と比較できないため、機械語のテキストのソースとして、DBPediaはWikipediaに置き換わらないことを覚えておく価値があります。 しかし、あなたが好きな記事とそのカテゴリを将来ウィキペディアから汲み出すことを禁止する人はいませんか？

[予想] DBPEdiaが相関する主題検索結果

相関トピックの検索結果は次のようになります。

• 特定のトピックに関するすべての言語のテキストセット。
• クラスに関するテキストの相関度の評価。
• トピックの人間が読める（言語による）説明。

同時に、相関トピックは「化粧品のマーケティング調査」クラスだけでなく、データベースに含まれるドキュメントのトピックにも依存します（負の相関を持つトピックの場合）。 見つかったトピックを使用できるもの：

• 他のトピックに関する分類子の手動構築。
• 最終的な一般化分類子によって分類されたテキストの追加機能として。
• 署名分類子のベクトル空間でテキスト類似性メトリックの追加ディメンションを作成するには、ここで、混合オントロジーネットワークでの類推による2015 Dialogue of the Learning Dialogueの記事を参照します。 そして、 対応する投稿へ 。

追記

この投稿では、現在使用している技術と、将来の移動先を示しています（これはオントロジーです）。 私はこの機会に、私のグループで、機械語学の研究を開始/継続している人、特にどの大学を知りたいと思っている学生/卒業生を募集しています。