東京外大2016/JapanStudies1 の履歴(No.14)

• 履歴一覧
• 差分 を表示
• 現在との差分 を表示
• ソース を表示
• 東京外大2016/JapanStudies1 へ行く。
  • 1 (2016-04-07 (木) 12:03:07)
  • 2 (2016-04-07 (木) 13:50:33)
  • 3 (2016-04-08 (金) 06:02:26)
  • 4 (2016-04-14 (木) 12:46:15)
  • 5 (2016-04-15 (金) 08:33:43)
  • 6 (2016-04-18 (月) 15:45:53)
  • 7 (2016-04-21 (木) 01:45:07)
  • 8 (2016-04-21 (木) 14:15:08)
  • 9 (2016-04-21 (木) 14:15:08)
  • 10 (2016-04-27 (水) 11:08:23)
  • 11 (2016-04-28 (木) 13:55:12)
  • 12 (2016-05-11 (水) 19:12:14)
  • 13 (2016-05-12 (木) 14:12:24)
  • 14 (2016-05-19 (木) 13:52:35)
  • 15 (2016-05-26 (木) 14:10:00)
  • 16 (2016-05-26 (木) 14:10:27)
  • 17 (2016-06-02 (木) 11:53:50)
  • 18 (2016-06-09 (木) 10:19:58)
  • 19 (2016-06-09 (木) 13:31:49)
  • 20 (2016-06-16 (木) 07:07:10)
  • 21 (2016-06-16 (木) 15:49:36)
  • 22 (2016-06-21 (火) 16:33:13)
  • 23 (2016-06-23 (木) 14:15:02)
  • 24 (2016-06-23 (木) 16:08:49)
  • 25 (2016-06-28 (火) 15:29:09)
  • 26 (2016-06-30 (木) 13:49:38)
  • 27 (2016-07-07 (木) 13:20:44)
  • 28 (2016-07-07 (木) 13:20:44)

---

東京外大2016

Japan Studies 1：コーパス日本語学入門

• 前期・木曜4限
• ogiso＠ogiso.net　←＠を@に直してください

---

• コーパス検索アプリケーション「中納言」 https://chunagon.ninjal.ac.jp/

2016/05/19

短単位と長単位

• 配布資料参照

品詞体系と見出し語の階層

• BCCWJ,CHJはUniDicの品詞体系にもとづく

• 授業資料/UniDicの品詞体系
• 授業資料/UniDicの見出し語階層

形態論情報を使った検索

• 資料「中納言の使い方」参照

• 検索例
  • 「時の経つにつれて」
  • 名詞+の+動詞連体形+につれて

2016/05/12

コーパスの段階

1. 電子テキスト：grep： 文字列（正規表現）検索
2. 構造化テキスト：ひまわり、少納言 など： 文字列（正規表現）検索
3. 形態論情報付きコーパス：中納言、ChaKi など： 形態論情報による検索（タグ検索）

コーパスの設計とサンプリング

• （スライド参照）
  • コーパスの設計とサンプリング

• 均衡コーパス（Balanced corpus）
  • 「バランスがとれている」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

「少納言」で正規表現を使う

• 「現代日本語書き言葉均衡コーパス（BCCWJ）」
  • 少納言
    • 前後文脈の指定について

BCCWJ「中納言」登録申請

• ユーザー登録の申請（new!）　https://chunagon.ninjal.ac.jp/useraccount/register

2016/04/28

• 復習
  • サンプルデータsoseki2.zip （前回と同じ）
  • 文字クラス、grep

正規表現のいろいろ†

• 授業資料/正規表現
  • 文字クラス [ ]
  • 文字クラスの否定（補集合）[^ ]
  • 繰り返し ? + *
  • グループ化 ()
  • or（論理和） |
  • 文頭 ^、文末 $

正規表現の応用†

• カタカナ語
  • カタカナ（外来語）の形容動詞語幹
• 送りがなの揺れ（行う／行なう）
• 会話文中（"「"で始まる文中）の用例を検索する
• 同一文中での共起
  • 全然～ない。
  • もし～なら（ば）

grepと置換でKWIC(CSVファイル)を作る（簡易版）†

• CSVファイルとは：テキストファイルで表を表現する 用語：CSVファイル
• KWIC：KeyWord In Context

タグ付き正規表現

• 走[らりるれろ] でgrepした結果を置換するにはどうしたらいいか
  • 次のように置換するととんでもないことに…
    • 検索文字列：走[らりるれろっ]
    • 置換文字列：★走[らりるれろっ]
• タグ付き正規表現・カッコ（半角丸カッコ）と\1（\2，\3…）を使う
• 授業資料/タグつき正規表現

検索文字列の中での後方参照†

• 検索語の中で\1を使う
  • (..)\1 「ころころ」「毎日毎日」など二文字の繰り返しにマッチ
  • (.ろ)\1 「ころころ」「どろどろ」「へろへろ」などにマッチ

最長一致の原則（greedy matching）†

• 正規表現は、パターンが一致する最も長い範囲にマッチする
  • 例：あ+ → 【\1】
    • ああああああああ →　【ああああああああ】 そのせいで…
  • 例：「(.+)」 → 【\1】
    • 「こんにちは」「さようなら」 →　【こんにちは」「さようなら】
  • 括弧の組ごとに置換するためには「([^」]+)」 → 【\1】　のように書かなければならない
    • 「こんにちは」「さようなら」 →　【こんにちは】【さようなら】
• よりかんたんに指定するには（最短一致，ものぐさ指定）
  • 「(.+?)」「(.*?)」のように、繰り返し指定の+*の後に「?」をつける

正規表現に関する参考資料†

• サクラエディタの正規表現：http://sakura-editor.sourceforge.net/htmlhelp/HLP000089.html
• 正規表現に関する本　amazonで検索

#amazon(4873114500) #amazon(4873113598)

2016/04/21

• 今回からUSBメモリを使います。

テキストエディタ

• テキストデータ（青空文庫）の配布
  • soseki2.zip （今日の授業で使います）
  • aozoradoc2.zip（青空文庫全テキスト・参考）
  • ダウンロードしてUSBメモリに展開（解凍）してください

• 検索・置換、grep
  • 検索で初出行を調べる
  • 置換で用例数を数える
  • grepで用例リストを作る
  • タグジャンプで文脈を確認する
  • サブフォルダのgrep

ショートカットキー†

• 授業資料/覚えておきたいショートカットキー

正規表現を使ってみる†

• 文字クラス
  • 例：読[まみむめもん]
    • 半角ブラケットの中に文字を並べる→並べた文字いずれか1文字

正規表現とは†

• 正規表現　＞用語
  • 文字を表すための特殊な文字（メタ文字）を使って文字列のパターンを表現する
  • エディタでは置換・検索・grepで利用できる　（エディタ以外にもさまざまなアプリケ－ションやコンピュータ言語で利用されている）
  • 記号はすべて半角
  • 記号そのものを表す場合には\でエスケープする（特殊な意味を打ち消す）　例：1\+2

• 授業資料/正規表現
  • 文字クラス [ ]
  • 文字クラスの補集合（それ以外の文字）[^ ]

2016/04/14

• 次回以降、USBメモリ（少なくとも2GB以上）を持ってきてください。

「コーパス」について†

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）

紙の資料からコーパスまで

1. (紙の)本文
2. (紙の)総索引（コンコーダンス）
3. 電子テキスト
4. 構造化テキスト
5. 形態論情報付きコーパス

テキストファイル

• テキストデータとはどんなものか
  • 授業資料/テキストデータとは
  • 授業資料/テキストデータ紹介（広義のコーパス）
• テキストエディタ
  • 授業資料/テキストエディタ

• サクラエディタのダウンロードとインストール
  • サクラエディタのダウンロード:sakura2.zip
    • (参考) サクラエディタホームページ：http://sourceforge.net/projects/sakura-editor/

• zipファイルの展開（解凍）
  • 解凍しないままでも開けるが必ず解凍すること

• テキストエディタの設定
  • 行の折り返し
  • 行番号表示
    • スタイル行番号（ワープロ的行番号）と論理行番号（エディタ的行番号）

• 練習用サンプルデータ（漱石＋芥川）
  • sample.zip

2016/04/07

イントロダクション/日本語コーパスの紹介

• 自己紹介
  • 大学共同利用機関法人人間文化研究機構 国立国語研究所 http://www.ninjal.ac.jp/
• コーパスとは
  • 国立国語研究所コーパス開発センター
  • 形態素解析辞書UniDic

• デモ
• 「現代日本語書き言葉均衡コーパス（BCCWJ）」
  • BCCWJ少納言
  • BCCWJ中納言
  • Web茶まめ
• Excelによる集計（ピボットテーブル）

• シラバス確認
  • この授業の目的
  • 授業の進め方
  • 評価方法