| 【発明の名称】 |
対訳辞書データ抽出方法及び記録媒体 |
| 【発明者】 |
【氏名】熊野 明
【氏名】平川 秀樹
|
| 【要約】 |
【課題】本発明の目的は、既存の辞書に存在していないデータも利用し、かつ、第一言語の用語と第二言語の用語の部分的な照合であっても対訳辞書データとして抽出することのできる環境をユーザに提供することである。
【解決手段】第一言語の文書から一定の種類の用語を抽出する第一言語用語抽出方法と、第二言語の文書から一定の種類の用語を抽出する第二言語用語抽出方法と、上記第一言語の用語と上記第二言語の用語を発音の類似性を基に照合する用語照合方法と、上記照合した用語の対を、出力する対訳出力方法を備えることで実現する。 |
【特許請求の範囲】
【請求項１】第一言語および第二言語各々の文書から所定の種類の用語を抽出し、前記第一言語および第二言語の用語を発音の類似性を基に照合し、照合した用語の対を出力することを特徴とする対訳辞書データ抽出方法。
【請求項２】第一言語および第二言語各々の文書から所定の種類の用語を抽出し、前記第一言語および第二言語の用語を発音の類似性を基に照合し、照合した用語の対を関連付けて記憶することを特徴とする対訳辞書データ抽出方法。
【請求項３】第一言語および第二言語各々の文書から所定の種類の用語を抽出し、前記第一言語の表記を第二言語に合わせて変換し、変換された用語と第二言語の用語とを所定の類似性を基に照合し、照合した用語の対を出力することを特徴とする対訳辞書データ抽出方法。
【請求項４】第一言語が日本語で、第二言語が英語の場合、前記第一言語の表記をローマ字の表記に変換するか、あるいは前記第二言語の表記をローマ字読みのカタカナ表記に変換することを特徴とする請求項３記載の対訳辞書データ抽出方法。
【請求項５】類似性に基づく用語の照合は、第一言語及び第二言語の用語の部分的な照合に基づくことを特徴とする請求項１乃至請求項３記載の対訳辞書データ抽出方法。
【請求項６】入力される第一言語および第二言語各々の文書から所定の種類の用語を抽出する機能と、抽出された前記第一言語および第二言語の用語を発音の類似性を基に照合する機能とを記録することを特徴とする記録媒体。
【請求項７】入力される第一言語および第二言語各々の文書から所定の種類の用語を抽出する機能と、抽出した前記第一言語の表記を第二言語に合わせて変換する機能と、変換された前記第一言語の用語と第二言語の用語を発音の類似性を基に照合する機能とを記録することを特徴とする記録媒体。
|
【発明の詳細な説明】【０００１】
【発明の属する技術の分野】本発明は、英語のニュース記事と、日本語のニュース記事から、新たな用語の対応関係を抽出して、新たな辞書登録を促すための、対訳辞書データ抽出方法に関する。
【０００２】
【従来の技術】英語の文書と、それに対応する日本語の文書から、用語の対応関係を抽出して、新たな用語辞書知識として利用する技術は、最近盛んになってきた。しかし、これらの多くは、英語と日本語の文単位の対応が明確な場合に限定されるものであった。ところが、実際に存在する文書（インターネット上のニュース記事など）では直訳とは限らず、文単位の対応が付く場合はまれてある。また、対応関係の根拠となるデータとしては、既存の辞書知識に存在するものを利用していたが、新しい文書では既存の辞書に存在しない新語が多く含まれており、対応の根拠として利用できなかった。
【０００３】
【発明が解決しようとする課題】このように、従来の技術では、実際の多くの文書に対して十分な処理ができなかった。本発明はこのような課題を解決するためになされたもので、その目的は、既存の辞書に存在していないデータも利用し、かつ、第一言語の用語と第二言語の用語の部分的な照合であっても対訳辞書データとして抽出することのできる環境をユーザに提供することである。
【０００４】
【課題を解決するための手段】上記目的を達成するため、本発明は、第一言語及び第二言語の文書から一定の種類の用語を抽出し、抽出された第一言語の用語と第二言語の用語を発音の類似性を基に照合し、照合した用語の対を出力することを特徴とする対訳辞書データ抽出方法である。
【０００５】
【発明の実施の形態】以下、本発明の一実施例を図面に基づいて説明する。
（第１の実施例）図１は、本願第１の発明の実施例に係る対訳辞書データ抽出方法の構成を示すブロック図である。ここでは、第一言語として日本語、第二言語として英語を例として説明する。入力された日本語テキストデータは、一旦、日本語テキストデータ（記憶部）１０１に記憶される。日本語用語抽出手段１０２では、日本語テキストデータ１０１中の所定の種類、例えば専門用語、固有名詞、新語などの候補を抽出する。抽出に際して、特定のものである必要はなく、例えば、既存の語彙辞書に入っていない語、カタカナ語（表記）などを従来の形態素解析処理で抽出してもよい。また、専門用語、固有名詞、新語などの種類、表記等を特定する際に、ユーザに選択させ、設定させる構成を採っても良い。
【０００６】１０３は日本語用語抽出データ（記憶部）である。日本語用語抽出データ１０３は、日本語用語抽出手段１０２において日本語テキストデータ１０１中から抽出された、専門用語、固有名詞、新語などの候補を記憶する。日本語文字変換手段１０４は、日本語用語抽出データ１０３の各語を、英語の表現と比較しやすい表記に変換する。例えば、日本語のカタカナ読みをローマ字に変換する。あるいは、英語との発音の類似性を考慮した独自の表記に変換する。
【０００７】２０１は英語テキストデータ（記憶部）である。英語用語抽出手段２０２では、英語テキストデータ２０１中から、専門用語、固有名詞、新語などの候補を抽出する。その方法は、特定のものである必要はなく、例えば、既存の語彙辞書に入っていない語、大文字で始まる語などを従来の形態素解析処理で抽出してもよい。２０３は英語用語抽出データ（記憶部）である。英語文字変換手段２０４は、英語用語抽出データ２０３の各語を、日本語の表現と比較しやすい表記に変換する。例えば、英語のスペルをローマ字読みのカタカナに変換する。あるいは、日本語語との発音類似性を考慮した独自の表記に変換する。
【０００８】表記照合手段１２１には、日本語用語抽出データ１０３に記憶された専門用語、固有名詞、新語などの候補のデータと、日本語文字変換手段１０４からの変換後のデータと、英語用語抽出手段２０２に記憶された専門用語、固有名詞、新語などの候補のデータ、英語文字変換手段２０４からの変換後のデータが、各々入力される。この表記照合手段１２１では、各日本語用語候補と各英語用語候補の表記を、発音上の類似性から照合を行うものである。入力データの違いにより、３種類の方法がある。
【０００９】第１の方法は、日本語文字変換手段１０４の出力である変換後の日本語用語候補と、英語文字変換手段２０４で変換する前の英語用語候補を照合する方法である。
【００１０】第２の方法は、日本語文字変換手段１０４で変換する前の日本語用語候補と、英語文字変換手段２０４の出力である変換後の英語用語候補を照合する方法である。
【００１１】第３の方法は、日本語文字変換手段１０４の出力である変換後の日本語用語候補と、英語文字変換手段２０４の出力である変換後の英語用語候補を照合する方法である。
【００１２】抽出用語出力手段１２２では、表記照合手段１２１において照合することが判断された、日本語用語と英語用語の対を出力するものである。なお、ここで言う「照合」とは、例えば、「Indonesian」に対する「インドネシア」のように、英語の用語候補と日本語の用語候補の間で、発音の類似性が十分に高く、訳語として関係があると推測する処理のことです。日本語用語候補「インドネシア」と英語用語候補「Indonesian」の照合を例に上記3 種類の方法で詳しく説明する。
第1 の方法・照合対象 = (変換後の日本語用語候補) vs (英語用語候補)(1) 「インドネシア」を英語の表現と比較しやすい表記( ローマ字) に変換するJ-unit[1] : イ = e, i;J-unit[2] : ン = m, mm, n, nn;J-unit[3] : ド = d, do;J-unit[4] : ネ = ne;J-unit[5] : シ = ci, shi, si, sy;J-unit[6] : ア = a, ar, e, er, o, or, u, ur;(2) 「Indonesian」を照合単位に分割するE-unit[1] : i;E-unit[2] : n;E-unit[3] : do;E-unit[4] : ne;E-unit[5] : si;E-unit[6] : a;E-unit[7] : n;(3) (1) と(2) の対応を調べる (「 」内は一致したもの) イ = e, 「i 」; -> 一致 (J-unit[1]:E-unit[1]) ン = m, mm, 「n 」, nn; -> 一致 (J-unit[2]:E-unit[2]) ド = d, 「do」; -> 一致 (J-unit[3]:E-unit[3]) ネ = 「ne」; -> 一致 (J-unit[4]:E-unit[4]) シ = ci, shi, 「si」, sy; -> 一致 (J-unit[5]:E-unit[5]) ア =「a 」, ar, e, er, o, or, u, ur; -> 一致 (J-unit[6]:E-unit[6]) (なし) = n -> 不一致(4) 照合スコア = 6 / 7 = 0.86第2 の方法・照合対象 = (日本語用語候補) vs (変換後の英語用語候補)(1)「インドネシア」を照合単位に分割するJ-unit[1] : イ;J-unit[2] : ン;J-unit[3] : ド;J-unit[4] : ネ;J-unit[5] : シ;J-unit[6] : ア;(2)「Indonesian」を日本語の表現と比較しやすい表記( カタカナ) に変換するE-unit[1] : i = アイ, イ;E-unit[2] : n = ン;E-unit[3] : do = ド, ドゥ;E-unit[4] : ne = ニ, ネ;E-unit[5] : si = サイ, シ, ジ;E-unit[6] : a = ア;E-unit[7] : n = ン; (3) (1)と(2) の対応を調べる (「 」内は一致したもの) i = アイ, 「イ」; -> 一致 (E-unit[1]:J-unit[1]) n = 「ン」; -> 一致 (E-unit[2]:J-unit[2]) do = 「ド」, ドゥ; -> 一致 (E-unit[3]:J-unit[3]) ne = ニ, 「ネ」; -> 一致 (E-unit[4]:J-unit[4]) si = サイ, 「シ」, ジ; -> 一致 (E-unit[5]:J-unit[5]) a = 「ア」; -> 一致 (E-unit[6]:J-unit[6]) n = ン; -> 不一致(4) 照合スコア = 6 / 7 = 0.86第3 の方法・照合対象 = (変換後の日本語用語候補) vs (変換後の英語用語候補)(1)「インドネシア」を日本語・英語の中間的表記( 発音記号に似たもの) に変換するJ-unit[1] : イ = E, I;J-unit[2] : ン = M, N;J-unit[3] : ド = D, DO;J-unit[4] : ネ = NE;J-unit[5] : シ = CI, SI;J-unit[6] : ア = A, AR;(2) 「Indonesian」を日本語・英語の中間的表記( 発音記号に似たもの) に変換するE-unit[1] : i = AI, I;E-unit[2] : n = N;E-unit[3] : do = DO;E-unit[4] : ne = NE, NI;E-unit[5] : si = SAI, SI, ZI;E-unit[6] : a = A;E-unit[7] : n = N;(3) (1) と(2) の対応を調べる (「 」内は一致したもの) イ = E, 「I 」; -> 一致 (J-unit[1]:E-unit[1]) ン = M, 「N 」; -> 一致 (J-unit[2]:E-unit[2]) ド = D, 「DO」; -> 一致 (J-unit[3]:E-unit[3]) ネ = 「NE」; -> 一致 (J-unit[4]:E-unit[4]) シ = CI, 「SI」; -> 一致 (J-unit[5]:E-unit[5]) ア = 「A 」, AR; -> 一致 (J-unit[6]:E-unit[6]) (なし) = n -> 不一致(4) 照合スコア = 6 / 7 = 0.86図２は、図１に示す実施例の表記照合手段１２１での処理を表す流れ図である。
【００１３】以下では、日本語用語候補と英語用語候補の両方が文字変換手段１０４、２０４で変換されたものとし、それぞれの変換結果が、複数の照合単位（例えば、日本語のローマ字１音節相当部分）に分割できるものとする。
【００１４】最初のステップＳ０００では、照合スコアScore を０に初期化する。ステップＳ００１では、日本語の照合単位のポインタJptrを先頭(1) に設定する。次のステップＳ００２では、ポインタJptrの値から、日本語の照合単位J-unit[Jptr]を取り出す。ステップＳ００３では、ステップＳ００２で取り出せたか否かを判断し、取り出せれば次のステップＳ００４に進み、取り出せなければ、処理を終了する。
【００１５】ステップＳ００４では、英語の照合単位のポインタEptrを先頭(1) に設定する。次のステップＳ００５では、ポインタEptrの値から、英語の照合単位E-unit[Eptr]を取り出す。ステップＳ００６では、ステップＳ００５で取り出せたか否かを判断し、取り出せれば次のステップＳ００７に進み、取り出せなければ、ステップＳ０１０に進む。
【００１６】ステップＳ００７では、日本語の照合単位J-unit[Jptr]と英語の照合単位E-unit[Eptr]が一致するかを調べ、一致すればステップＳ００９に進み、一致しなければステップＳ００８に進む。ステップＳ００８では、英語の照合単位のポインタEptrを1 つ増やし、ステップＳ００５に戻って、次の英語の照合単位E-unit[Eptr]を取り出す。
【００１７】ステップＳ００９では、照合スコアScore を1 増やし、ステップＳ０１０に進む。ステップＳ０１０では、日本語の照合単位のポインタJptrを1 つ増やし、ステップＳ００２に戻って、次の日本語の照合単位J-unit[Jptr]を取り出す。
【００１８】以上の処理を行うことによって、日本語用語候補と英語用語候補の照合スコアScore が算出できる。用語候補の照合単位の数に対する照合スコアScore の比が、一定値（例えば０．８）以上なら、日本語用語候補と英語用語候補は照合すると判断する。なお、この一定値の設定は、類似性が十分高いことを示す数値であれば０．９でも０．７５でもかまわない。
【００１９】図３は、図１に示す実施例の抽出用語出力手段の出力例である。日本語の用語と英語の用語を対にして表示している。このような対が表示された後、対訳辞書データ抽出方法として、(1) 対訳のペアごとに、ユーザが正しいと認めることによって、辞書に自動的に登録される。
【００２０】(2) もしくは、複数の対訳ペアのリストから、ユーザが正しいものを選択し、また、一部修正できるものは修正して辞書に登録する。等により辞書作成される。
【００２１】以上説明した実施例において、少なくとも第１図の日本語用語抽出手段１０２、英語用語抽出手段２０２、表記照合手段１２１に相当する機能を実現するプログラムが静的に記録されているＦＤ、ＨＤ、ＣＤ−ＲＯＭ等の記録媒体を用いて実現しても良い。この場合、日本語テキストデータ（記憶部）１０１等の構成と協調して本願発明を実施できる。又、第１図の日本語用語抽出手段１０２、英語用語抽出手段２０２、日本語文字変換手段１０４、英語文字変換手段２０４、表記照合手段１２１に相当する機能を実現するプログラムが静的に記録されているＦＤ、ＨＤ、ＣＤ−ＲＯＭ等の記録媒体を用いて実現しても良い。
【００２２】なお、本発明は上記の実施例に限定されるものではない。対象とする言語は、ドイツ語と日本語など、他の言語間で行ってもよい。また、対訳データ出力内容には、照合スコアを併記してもよいし、照合スコアの高い順、すなわち、照合が確からしいと判断した順に、並べ変えて表示することで、ユーザに有効な情報を効率よく呈示することができる。
【００２３】要するに、既存辞書に存在しない新語を多く含み、かつ、文単位での対応関係が明確でない２か国語文書データから、対訳辞書データを抽出することが可能になる。また、本願発明は、このような主旨を逸脱しない範囲で種々変形して実施することができる。
【００２４】
【発明の効果】以上説明したように本発明によれば、既存の辞書に存在していないデータを利用し、かつ、第一言語の用語と第二言語の用語の部分的な照合であっても対訳辞書データとして抽出することのできる環境をユーザに提供することができる。
|
| 【出願人】 |
【識別番号】０００００３０７８
【氏名又は名称】株式会社東芝
|
| 【出願日】 |
平成９年（１９９７）９月１２日 |
| 【代理人】 |
【弁理士】
【氏名又は名称】外川 英明
|
| 【公開番号】 |
特開平１１−８５７６０ |
| 【公開日】 |
平成１１年（１９９９）３月３０日 |
| 【出願番号】 |
特願平９−２４８１５８ |
|