FrontPage
言語学特殊講義XI／コーパス日本語学†
- Zoomによるリアルタイムのオンライン授業形式で行います。ZoomのURLはITC-LMSのページで確認してください。
4月30日（第4回） コーパスの形態論情報と形態素解析†
コーパスの形態論情報†
- 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
コーパスへの形態論情報の付与†
- 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：「Mecab」と「UniDic」†
形態素解析とは†
どんなものか
- デモ: Web茶まめ (MeCab + UniDic）
- 日本語の自然言語処理の基礎技術
- 今ではかなり枯れた技術
- 機械学習による言語処理のはしり
- 形態素解析の解析単位は言語学で言う「形態素」ではないことに注意
- 「形態素解析」= "Morphological analysis"
- morphologicalな（形態論上の）単位は形態素だけではない（訳語に問題がある）
- 日本語の形態素解析の単位は一般に「語」（語をどう定義するかという問題は残る）
- 形態素解析の仕組み
- 生起コストと連接コスト
- その語はどれくらい出てくるか、どんな語とつながりやすいか
- コーパスから統計的に取得（機械学習）
- 経路の選択（参考：ビタビアルゴリズム）
形態素解析用ソフトウェア†
以前から使われているソフトウェア
- 形態素解析器（解析エンジン・プログラム）
- 解析用辞書
UniDicの特長†
- 見出し語が短単位という斉一な単位に揃えられている
- 見出し語が階層化されており表記の揺れや語形の変異にかかわらず同一の見出しを与えることができる
- アクセントや音変化の情報を付与することができる
- 語種など言語研究のための豊富な情報が付与されている
- UniDicはChaSen, MeCabのどちらの解析器でも利用可能*1
- 後から開発されたMeCabの方が解析精度が高いのでおすすめ
比較的新しい形態素解析器†
形態素解析に関する専門書†
- 工藤拓『形態素解析の理論と実装』近代科学社（2018）
（参考）長単位解析器†
※BCCWJの長単位を付けるのに使われた。短単位を組み上げて品詞を長単位規定に合わせることができる
（参考）係り受け解析器†
※BCCWJには係り受け情報は付いていない。NWJCは自動解析した係り受け情報付き
最近の形態素解析器†
長単位解析器†
係り受け解析器†
日本語コーパスのタグ付けのレベル†
| テキストのレベル | ツール | 必要な技術 |
|---|
| プレーンテキスト | テキストエディタ | grepと正規表現 |
|---|
| 構造化テキスト | ひまわり→ Excel | XML・マークアップの基礎，ピボットテーブル |
|---|
| 形態素解析済み | UniDic+MeCab→中納言・ChaKi | 形態素解析の知識，ChaKi等の使い方 |
|---|
| 係り受け情報付き | +CaboChaなど→ChaKi | |
|---|
- プレーンテキスト：テキストエディタ（grepと正規表現）
- 構造化テキスト（旧「太陽コーパス」など）：XMLと「ひまわり」
- 形態素解析済みテキスト（BCCWJ, CHJなど）：「中納言」
- 係り受け情報・統語情報付き（NWJC, NPCMJなど）：ChaKi, NPCMJ Searchなど
4月23日（第3回） コーパスの設計（2）†
前回続き（スライド残り）†
「日本語歴史コーパス」（CHJ）の構成†
- 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』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†
- 近代雑誌（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
- 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
※今日の夕方に公開予定
利用する側から見たコーパスの設計†
- BCCWJでもCHJでも、どのように設計されているかを知らないと大きな誤りを犯す可能性がある
- サブコーパスのサイズを無視した比較
- バランスのとれていない項目間の単純比較（BCCWJの年代、CHJの時代・ジャンル等）
紙の資料からコーパスまで ～テキストの電子化とアノテーションの高度化†
- (紙の)本文
- (紙の)総索引（コンコーダンス）
- 電子テキスト：テキスト （199x年代～）
- 構造化テキスト：テキスト+XMLによる構造化タグ （200x年代～）
- 単語情報付きのコーパス：テキスト+XMLによる構造化タグ+形態論情報 （201x年代～）
電子化とアノテーション（明六雑誌コーパスを例に）†
- ファイル形式と実例
- 電子テキスト：プレーンテキスト
- 構造化テキスト：XMLファイル
- 単語情報付きデータ：単語情報を埋め込んだXML ／XMLファイル＋CSVファイル →RDB
- それぞれの利用アプリケーション
- 電子テキスト：テキストエディタ＋grepなど
- 構造化テキスト：全文検索システム「ひまわり」
- 単語情報付きデータ：中納言（オンライン）／Chaki.Net（PC上）
4月16日（第2回） コーパスの設計†
※以下、スライド（学部授業用）（大学院授業用・同内容）も参照
コーパスとは†
- 狭義のコーパス
- 言語研究を目的として収集され、言語研究のための情報が付けられたコンピュータ上で利用可能な大規模な言語データ。
- 現代日本語書き言葉均衡コーパス（BCCWJ） / 日本語歴史コーパス（CHJ）
- 広義のコーパス
- コンピュータ上で利用可能な大規模な言語データ。必ずしも言語研究向きではないが、言語研究に利用可能。
- さまざまなテキストアーカイブ（新潮文庫の百冊 / 青空文庫 / 国会会議録）
- Web上のデータ
- 検索サイトの利用
- WAC（Web as Corpus）
- 言語学分野では前者、自然言語処理分野などでは後者の意味で使いがち。
- この授業で主に扱うのは狭義のコーパス。中でも「現代日本語書き言葉均衡コーパス（BCCWJ）」と「日本語歴史コーパス（CHJ）」
コーパスに求められるもの†
- コーパス以前の電子化日本語資料（とその限界）
- 個人研究者による電子化テキスト
- 出版社による電子出版物（CD-ROM）
- 新聞のデータベース（CD-ROM）
- Web上のテキストアーカイブ
- Webそのもの
- （現代語）コーパスへの要請
- 大規模であること
- 各種のテキストが含まれていて、ジャンルなどのバランスがとれていること
- 著作権の問題がないこと
- 言語研究に利用できる情報がついていること
「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†
- 均衡コーパス（Balanced corpus）
- 「バランスがとれている」「代表性がある（representative）」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
- 著作権をめぐる問題★次回、ここから
参考リンク†
- 英語のコーパス リファレンス
- 現代日本語書き言葉均衡コーパス（BCCWJ）
4月9日（第1回）イントロダクション/日本語コーパスの紹介†
イントロダクション†
授業内容等の確認†
「中納言」アカウントについて†
- 「授業アカウント」について
- 「中納言」オンライン利用申込み
授業で利用する主なソフトウェア・Webアプリケーション（予定）†
授業内容デモ†
- コーパスの利用
- Excelによる集計（ピボットテーブル）
- 形態素解析
- テキストエディタとgrep
- 全文検索システムひまわり
- R
![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
