Sudachi辞書のつくり方

Transcript

1. Sudachi辞書のつくり方 株式会社ワークスアプリケーションズ ワークス徳島人工知能NLP研究所 高岡一馬
2. 2 自己紹介 • 奈良先端科学技術大学院大学で自然言語処理をまなぶ 形態素解析器茶筌と出会う • 2004-2016年 株式会社ジャストシステム かな漢字変換、テキストマイニングなどに従事 2つの形態素解析器の開発にたずさわる • 2016年- 株式会社ワークスアプリケーションズ 形態素解析器Sudachiを開発
3. 3 徳島って • 四国の右下 • 人口72万人（徳島市25万人） • 電車のない唯一の県
4. 4 実務でつかう形態素解析
5. 5 実務でつかえる形態素解析器 プロプラエタリ OSS • 処理系 MeCabとそのクローン • 辞書 IPADic / UniDic NEologd
6. 6 MeCabをつかうと よいところ • 速い • カスタマイズの柔軟性（辞書、未知語処理） つらいところ • 単機能 前処理、後処理が必須 区切り、品詞（連接ID）以外は辞書次第
7. 7 実務で必要になる機能 • 文字正規化（表記統制） • 語彙正規化（表記統制） • 未知語処理 • 文区切り • 記号類や非テキストのクリーニング • 典型的な誤解析の訂正（再学習はほぼ不可能） • 読み付与 • 同義語　などなど 非NLPerにはむずかしい & ノウハウが共有されていない
8. 8 未知語の処理 ただしい区切りをあたえる • 未知の未知語 • 既知の未知語 部分は知っているが全体は未知 例）既知語「世界的」、未知語「地球 / 的」 読み推定
9. 9 辞書の比較 IPADic • 区切りが直観にあう • メンテナンスされていない UniDic • 解析精度がよい（見かけ上） • 区切りが直観的でない • 短すぎる
10. 10 辞書の比較 NEologd • 膨大な語彙 • 読み推定 • 癖がつよい 検索などには向いている
11. 11 なので形態素解析器を（また）つくった • 処理系と辞書を一体で • プラグイン機構による処理のパッケージ化 よくつかう機能の提供 ノウハウの共有 • 目的にあわせた複数粒度分割 • 文字、単語の正規化 • 同義語辞書との連携
12. 12 辞書のつくり方
13. 13 表記正規化 文字正規化 • いわゆる半角・全角、組み立て文字、記号類　例）㈱、ー―－‐ • 異体字　例）辺、邉、邊 語彙正規化 • 単語単位での正規化 • 送り仮名　例）組み替え、組替え、組替 • 誤用　例）シュミレーション
14. 14 正規化と代表表記 正規化 • 一意であればよい 代表表記 • 「代表」をきめる • どの表記が代表的なのか
15. 15 代表表記のきめかた 機械的：頻度による決定 • 一貫性がない • 頻度が直観に反する場合 • 頻度がとれない場合 • 特定のIMEを再現しているだけかも 人手で • 根拠 • ルール 例）生物名はカタカナ　きりん→キリン、象→ゾウ
16. 16 人手による代表表記付与 例）蛸と凧 • 「タコ」＝「蛸」 生物名なので「タコ」に正規化 • 「たこ」→ どちらか判断できない 「たこ」は正規化しない 「凧」→「たこ」にしてはいけない • さじ加減がむずかしい • まちがっていても傷があさくなるようにきめる ［蛸］ 「蛸」 「タコ」 「章魚」 「たこ」 「凧」 ［凧］
17. 17 正規化と語分割 例）松葉ガニ • 原則）生物名はカタカナ • A単位「松葉 / ガニ」 • 「ガニ」と「カニ」が同一視できない → 「蟹」に正規化
18. 18 生成処理への流用 サジェストや文生成にもつかいたい → 解析処理とはちがった問題 • 代表性 ユーザからみて奇異な表記は出せない UniDic 語彙素は原則漢字表記「ちりばめる」→「鏤める」 • 規範性 誤用の抑制、不快語の扱い
19. 19 Sudachiの分割単位 A単位 • UniDic相当（互換性） • カバレッジの確保 B単位 • ひとにとって一番自然な単位（にしたい）「心的辞書」 C単位 • 固有表現 • 検索や外延の認識
20. 20 分割情報の付与 語構成は2次元的 徳島研究所 徳島 研究所 研究 所 C単位 B単位 A単位
21. 21 分割情報の付与 県立美術館前駅 県立美術館前 駅 県立美術館 前 県立 美術館 美術 館 C単位分割「県立美術館前駅」 B単位分割「県立 / 美術館 / 前 / 駅」 A単位分割「県立 / 美術 / 館 / 前 / 駅」
22. 22 分割情報の付与 自由民主党 自由 民主 党 C単位分割「自由民主党」 B単位分割「自由 / 民主 / 党」 A単位分割「自由 / 民主 / 党」 自由民主党 自由民主 民主 党 自由 略称「自民」に対応する C単位「自由民主」? ???
23. 23 語構成と分割 多段分割 vs 分割レベルの固定 • Sudachiでは分割レベルを3つに固定 • 多段にすればすべての分割を導出できる 分割に意味づけがないのでつかいにくい
24. 24 他のリソースとの連携 形態素解析を他の処理とつなげていきたい • 辞書をつかう意味 語の同定 → 他の資源と直接むすびつけられる 同義語辞書との連携 • Sudachi同義語辞書 同義語処理ライブラリChikkarもGitHubで公開中
25. 25 実務でつかえる同義語辞書とは 本当に必要なのは同義語なのか? 例）「Suica」と書かれたテキストを他のICカード名でも検索 　　できるようにしたい タスクによって解像度がちがう 例）一般ドメイン：「借金」≒「債務」≒「負債」 　　会計・法律ドメイン： • 債務：金銭や物品の給付、なんらかの行為をする義務がある • 負債：企業が第三者に支払う義務があるもの • 借金：金銭消費貸借契約をかわしてお金をかりる 　　
26. 26 実務でつかえる同義語辞書とは なにを同義とみなすかは自明ではない • 「同義」にこだわらない Is-a, part-ofなども • タスクを意識する なやみだすと泥沼に ドメインによってちがう • システム辞書は抑制的に • 専門辞書で踏み込む
27. 27 まとめ 実務でつかえる形態素解析器 • コア以外の機能も重要 人手での辞書チューニングが必須 • 総合的な判断が必要 • 原則をまげることも 辞書ベースだからできること • 他リソースとの結合