#author("2024-04-29T18:52:36+09:00","default:ogiwiki","ogiwiki") [[総研大2024]] **2024/04/30 国語研の書き言葉コーパス [#he314895] 国語研の書き言葉コーパスについて最新の研究を含めて概説する。 -[[資料置き場>https://ninjal.sharepoint.com/sites/2023flrIIIA]] --スライド1~3参照 ***「現代日本語書き言葉均衡コーパス」(BCCWJ)の構成とサンプリング [#s89fe505] -https://clrd.ninjal.ac.jp/bccwj/ -均衡コーパス(Balanced corpus) --「バランスがとれている」「代表性」とは? --コーパスの母集団の設定とサンプリング --BCCWJのサブコーパス --可変長と固定長 ***参考リンク [#o1a9da5c] -英語のコーパス リファレンス --[[ブラウンコーパス マニュアル>http://khnt.aksis.uib.no/icame/manuals/brown/]] http://khnt.aksis.uib.no/icame/manuals/brown/ --[[BNCリファレンスガイド>http://www.natcorp.ox.ac.uk/docs/URG/]] http://www.natcorp.ox.ac.uk/docs/URG/ -現代日本語書き言葉均衡コーパス(BCCWJ) --[[現代日本語書き言葉均衡コーパス:概要>https://clrd.ninjal.ac.jp/bccwj/index.html]] --BCCWJの基本設計:https://clrd.ninjal.ac.jp/bccwj/basic-design.html --サンプリング:https://clrd.ninjal.ac.jp/bccwj/sampling.html --XMLによる電子化:https://clrd.ninjal.ac.jp/bccwj/XML.html ***BCCWJ2 [#pab5a646] ***「日本語歴史コーパス」(CHJ)の構成 [#x9f78d1c] -https://clrd.ninjal.ac.jp/chj/ -残された資料に限りがある(そもそも偏りがある)歴史的なコーパスの場合、現代語コーパス同様の「代表性」を求めることは困難 :近世以前|残されている資料が少なく、できるだけ(可能なら全部)コーパスに入れたい :近世(後期)以降|偏りはあるものの選べるだけの資料があるが、それでもなるべく全文でいれたい(作品など資料単位で調査したい) -[[『日本語歴史コーパス』>https://clrd.ninjal.ac.jp/chj/]]の中身 --中世以前は重要な資料をまるごと対象に --近世の洒落本・人情本:年代・著者(・地域)のバランスを取って作品単位でサンプリング ***近代語コーパスの場合 [#p0de8288] -[[近代雑誌コーパス>https://clrd.ninjal.ac.jp/cmj/]](現在はCHJの一部) --多様な記事を含む「総合雑誌」を対象とすることでバランスを確保 --発行年での大まかなサンプリング ---[[「太陽コーパス」>https://clrd.ninjal.ac.jp/cmj/taiyou/index.html]]:8年おきに12冊ずつを対象 --その後の雑誌コーパスも8年おきに収録 ---明六雑誌・東洋学芸雑誌・国民之友・太陽(・中央公論・文藝春秋) -近代小説 --複数の有識者が日本語資料として選定・投票した結果(1980年代に作成した資料)をもとにサンプリング --https://www.jpling.gr.jp/taikai/happyo/yosi/2019/b/yosi_2019b_e3.pdf ***「昭和・平成書き言葉コーパス」(SHC)の構成 [#vfbcaa59] -https://clrd.ninjal.ac.jp/shc/ -CHJの後を受けて現代までを通時的に研究するためのコーパス。1933年以降、8年おき11か年分(1933・1941・1949・1957・1965・1973・1981・1989・1997・2005・2013)を収録。 -2023年5月公開 :雑誌|1933~1957 年刊の『中央公論』と1965~2013 年刊の『文芸春秋』(8年おき11か年分) :ベストセラー書籍|1933年以降、8年おき11か年のベストセラー書籍 :新聞|1933年以降、8年おき11か年の『読売新聞』奇数月2日の朝刊1冊 ※参考:配布資料(「『昭和・平成書き言葉コーパス』の構築と公開」) ***コーパスと著作権 [#xa8ac945] -スライド参照 **2024/05/07 国語研のコーパスの形態論情報 [#n89c5b2a] 国語研コーパスへの形態論情報の付与について最新の研究を含めて概説する。 -[[資料置き場>https://ninjal.sharepoint.com/sites/2023flrIIIA]] --スライド3~5参照 ***コーパスの形態論情報 [#w3c3c79b] --http://clrd.ninjal.ac.jp/bccwj/morphology.html -短単位と長単位 --[[(スライド)長単位と短単位>https://lms.seikei.ac.jp/lms/lginLgir/index?target=0APt-XEr]] 参照 --[[長単位と短単位・資料>https://lms.seikei.ac.jp/lms/lginLgir/index?target=gZObmws_]] 単位切りの例 --(参考)動画:コーパス検索システムの言語単位『短単位』 https://youtu.be/s5akpYOzNIU -コーパス検索アプリケーション「中納言」と短単位と長単位 --[[中納言の使い方>https://lms.seikei.ac.jp/lms/lginLgir/index?target=0WibhrTq]] ***品詞体系 [#d6776112] -BCCWJ・CHJは[[UniDic>https://clrd.ninjal.ac.jp/unidic/]]の品詞体系にもとづく(BCCWJのために開発されたのがUniDic) --[[授業資料/UniDicの品詞体系]] --[[授業資料/UniDicの見出し語階層]] ***コーパスへの形態論情報の付与 [#sfd1b3f3] -短単位:MeCabとUniDicを使った形態素解析で情報付与 -長単位:Comainu(など)で短単位を組み上げる ***形態素解析を試してみる [#gf5bf622] -[[Web茶まめ>https://chamame.ninjal.ac.jp/]](MeCabとUniDicによる形態素解析をオンラインで行うツール) --https://chamame.ninjal.ac.jp/ ***形態素解析の仕組み [#e1069790] -[[授業資料/形態素解析]] ***参考資料 [#t1ff9987] -BCCWJ関連報告書 http://clrd.ninjal.ac.jp/bccwj/doc.html --形態論情報規程集(PDF) [[第4版 上>http://doi.org/10.15084/00002855]]・[[第4版 下>http://doi.org/10.15084/00002856]] //※冊子を配布します。