![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
#author("2025-06-03T12:48:00+09:00","default:ogiwiki","ogiwiki") #author("2025-06-03T12:48:51+09:00","default:ogiwiki","ogiwiki") [[総研大2025]] -[[シラバス>https://cplan-web.soken.ac.jp/Kyoin/web/Syllabus/WebSyllabusSansho/UI/WSL_SyllabusSansho.aspx?P1=40JLS00101&P2=2025&P3=20250512]] :2025/5/27|小木曽智信：[[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。>#he314895]] :2025/6/3|小木曽智信：[[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。>#n89c5b2a]] **2025/05/27 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/2025flrIIIA]] --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] -BCCWJ拡張計画 https://www2.ninjal.ac.jp/BCCWJ2/ --従来の１億語に2006年から2025年までのデータが追加され、“BCCWJ2” として２億語規模のコーパスになります ***「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 -[[論文：小木曽智信・近藤明日子・髙橋雄太・間淵洋子編（2024）「『昭和・平成書き言葉コーパス』の設計・構築・公開」『情報処理学会論文誌』65(2)>https://clrd.ninjal.ac.jp/shc/doc/IPSJ_SHC.pdf]] ***コーパスと著作権 [#xa8ac945] -スライド参照 **2025/06/03 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/2025flrIIIA]] --スライド3～5参照 ***前史：現代語の語彙調査 [#xe69f449] -『婦人雑誌の用語』国立国語研究所（1953） --https://doi.org/10.15084/00001213 など ***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://ninjal.sharepoint.com/:p:/s/2024flrIIIA/ETDwLKPVYdhEruG2_ZtR5NABG7HdzmgDDB37spYG_8S69Q?e=C520az]] 参照 --[[長単位と短単位・資料>https://www.dropbox.com/scl/fi/5cag0a89vge3tqm8iymcw/OW1X_00003.docx?rlkey=jqbkv5p8jempynfb6a0go5k3f&dl=0]] 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://www.dropbox.com/scl/fi/g45287uv22sz3q44f3scq/.pdf?rlkey=z9unocea1hdwgpf3d0ffoitep&dl=0]] ***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 --[[MeCab 形態素解析器>https://taku910.github.io/mecab/]] --[[UniDic 形態素解析用短単位辞書>https://clrd.ninjal.ac.jp/unidic/]] -長単位：Monakaなど((BCCWJ1ではComainu))で短単位を組み上げる --[[長単位解析器 Monaca>https://github.com/komiya-lab/monaka]] ***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/ --[[歴史的資料>]]、[[方言>https://kaken.nii.ac.jp/ja/grant/KAKENHI-PROJECT-23H00007/]]に対応 --[[歴史的資料>https://clrd.ninjal.ac.jp/unidic/download_all.html#unidic_chj]]、[[方言>https://kaken.nii.ac.jp/ja/grant/KAKENHI-PROJECT-23H00007/]]に対応 ***形態素解析の仕組み [#e1069790] -[[授業資料/形態素解析]] ***長単位解析 [#c1815543] -長単位解析器 Monaca --https://github.com/komiya-lab/monaka -Web茶まめで長単位解析（試行版） --https://chamame.ninjal.ac.jp/chamame-monaka/ ***（参考）辞書なしのトークナイザー [#q82c8c8b] -[[SentencePiece>https://qiita.com/taku910/items/7e52f1e58d0ea6e7859c]] --https://github.com/google/sentencepiece --学習データ不要・言語非依存、ニューラル言語処理向けの定番 ***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。
