用語対訳抽出装置、用語対訳抽出方法、および用語対訳辞書の生産方法
【課題】従来、正しい用語対訳を自動抽出する場合、学習データや対訳辞書が必要であった。
【解決手段】対訳データベースから１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得部と、対訳フレーズ取得部が取得した１以上の対訳フレーズから、第一言語の用語と用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得部と、２以上の異なる方法により、２以上の各用語対訳候補に対して、スコアを算出し、２以上のスコアを取得するスコア算出部と、２以上のスコアを用いて、２以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積部とを具備する用語対訳抽出装置により、正しい用語対訳を自動抽出する場合、学習データや対訳辞書が不要である。
【解決手段】対訳データベースから１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得部と、対訳フレーズ取得部が取得した１以上の対訳フレーズから、第一言語の用語と用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得部と、２以上の異なる方法により、２以上の各用語対訳候補に対して、スコアを算出し、２以上のスコアを取得するスコア算出部と、２以上のスコアを用いて、２以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積部とを具備する用語対訳抽出装置により、正しい用語対訳を自動抽出する場合、学習データや対訳辞書が不要である。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、用語の対訳である用語対訳を自動取得する用語対訳抽出装置等に関するものである。
【背景技術】
【０００２】
用語の対訳は、機械翻訳などの自然言語処理の分野に留まらず、翻訳支援など広い分野で必要とされている。これらの用語対訳を人手で整備すると大変なコストがかかるため、用語対訳を自動抽出する研究が行われてきた。
【０００３】
その用語対訳を自動抽出する従来技術において、フレーズテーブルから分類器によって正しい用語対訳を得る手法がある（非特許文献１参照）。この手法では対訳コーパスからフレーズテーブルを獲得し、対訳リストを作成する。次に、対訳コーパスの原言語側から複合名詞リストを作成する。この２つのリストで原言語側のフレーズが重複しているものを用語対訳候補とする。フレーズテーブルを用いて得られる用語対訳候補には信頼度の低いものも含まれている。そこで、従来手法において、正しい用語対訳であるか判別するために、学習データを予め用意して分類器を学習させている。なお、フレーズテーブルとは単語列の対訳関係とその翻訳確率などの集合であり、フレーズベース統計的機械翻訳の訓練過程で生成される。
【０００４】
また、既存の対訳辞書を用いたものとして、要素合成法がある（非特許文献２参照）。この手法は用語を構成する単語・形態素毎に既存辞書から訳語を獲得し、これらを結合することで用語対訳を獲得する。
【先行技術文献】
【非特許文献】
【０００５】
【非特許文献１】Masaki Itagaki, Takako Aikawa, and Xiaodong He. Automatic validation of terminology transla-tion consistency with statistical method. In Pro-ceedings of MT summit XI, pp. 269-274, 2007.
【非特許文献２】外池昌嗣, 宇津呂武仁, 佐藤理史. ウェブから収集した専門分野コーパスと要素合成法を用いた専門用語訳語推定. 自然言語処理, Vol. 14, No. 2, pp.33-68, 2007.
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかしながら、従来の手法において、学習データや対訳辞書が必要になり、人手やコストがかかっていた。また、従来の手法において、正しい用語対訳を精度高く自動抽出できなかった。
【課題を解決するための手段】
【０００７】
本発明は、上記課題に鑑み、以下のような解決手段を有する。
本第一の発明の用語対訳抽出装置は、第一言語のフレーズとフレーズを構成する各用語の品詞情報とを有する第一フレーズ情報と、第一言語のフレーズの第二言語の訳である第二言語のフレーズとフレーズを構成する各用語の品詞情報とを有する第二フレーズ情報とを対応付けて有する１以上の対訳フレーズを格納し得る対訳データベースと、１以上の品詞情報を有するパターンである１以上の品詞情報パターンを格納し得る品詞情報パターン格納部と、対訳データベースから、１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得部と、対訳フレーズ取得部が取得した１以上の対訳フレーズから、第一言語の用語と用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得部と、２以上の異なる方法により、２以上の各用語対訳候補に対して、スコアを算出し、２以上のスコアを取得するスコア算出部と、２以上のスコアを用いて、２以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積部とを具備する用語対訳抽出装置である。
【０００８】
かかる構成により、学習データや対訳辞書を必要とせずに、正しい用語対訳を抽出できる。また、正しい用語対訳を精度高く自動抽出できる。
【０００９】
また、本第二の発明の用語対訳抽出装置は、第一の発明に対して、第一言語の文と文の第二言語の訳文である第二言語の文とを対応付けて有する１以上の対訳文を格納し得る対訳コーパスと、１以上の各対訳文が有する第一言語の文と第二言語の文とに対して、構造解析を行い、第一言語の文を構成する１以上の各用語と、第二言語の文を構成する１以上の各用語との対応に関する情報である対応情報を取得する対応情報取得部とをさらに具備し、スコア算出部は、対訳コーパスに格納されている１以上の対訳文から、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現する対訳文の数である出現文数を取得する出現文数取得手段と、対応情報取得部が取得した対応情報から、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語とが対応する対訳文の数を取得する対訳文の数である対応文数を取得する対応文数取得手段と、対応情報取得部が取得した対応情報が対応しないことを示す情報である場合、対応情報に対する用語対訳候補が有する対応しない用語が出現する文の数である用語出現数を、対訳コーパスから取得する用語出現数取得手段と、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現するが、対応しない対訳文の数である未対応文数を、対訳コーパスから取得する未対応文数取得手段と、出現文数と用語出現数が大きいほどスコアが小さくなるように、かつ対応文数と未対応文数が大きいほどスコアが大きくなるように、スコアを算出するスコア算出手段とを具備し、２以上の異なる方法のうちの一の方法は、出現文数取得手段と対応文数取得手段と用語出現数取得手段と未対応文数取得手段とスコア算出手段とを用いたスコアの算出方法である用語対訳抽出装置である。
【００１０】
かかる構成により、学習データや対訳辞書を必要とせずに、正しい用語対訳を抽出できる。また、正しい用語対訳を極めて精度高く自動抽出できる。
【００１１】
また、本第三の発明の用語対訳抽出装置は、第一言語の文と文の第二言語の訳文である第二言語の文とを対応付けて有する１以上の対訳文を格納し得る対訳コーパスと、第一言語のフレーズとフレーズを構成する各用語の品詞情報とを有する第一フレーズ情報と、第一言語のフレーズの第二言語の訳である第二言語のフレーズとフレーズを構成する各用語の品詞情報とを有する第二フレーズ情報とを対応付けて有する１以上の対訳フレーズを格納し得る対訳データベースと、１以上の品詞情報を有するパターンである１以上の品詞情報パターンを格納し得る品詞情報パターン格納部と、１以上の各対訳文が有する第一言語の文と第二言語の文とに対して、構造解析を行い、第一言語の文を構成する１以上の各用語と、第二言語の文を構成する１以上の各用語との対応に関する情報である対応情報を取得する対応情報取得部と、１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得部と、対訳フレーズ取得部が取得した１以上の対訳フレーズから、第一言語の用語と用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得部と、１以上の各用語対訳候補に対して、スコアを算出するスコア算出部と、スコア算出部が算出した１以上の各用語対訳候補の各スコアを用いて、１以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積部とを具備し、をさらに具備し、スコア算出部は、対訳コーパスに格納されている１以上の対訳文から、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現する対訳文の数である出現文数を取得する出現文数取得手段と、対応情報取得部が取得した対応情報から、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語とが対応する対訳文の数を取得する対訳文の数である対応文数を取得する対応文数取得手段と、対応情報取得部が取得した対応情報が対応しないことを示す用語対訳候補が有する対応しない用語が出現する文の数である用語出現数を、対訳コーパスから取得する用語出現数取得手段と、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現するが、対応しない対訳文の数である未対応文数を、対訳コーパスから取得する未対応文数取得手段と、出現文数と用語出現数が大きいほどスコアが小さくなるように、かつ対応文数と未対応文数が大きいほどスコアが大きくなるように、スコアを算出するスコア算出手段とを具備する用語対訳抽出装置である。
【００１２】
かかる構成により、学習データや対訳辞書を必要とせずに、正しい用語対訳を抽出できる。また、正しい用語対訳を極めて精度高く自動抽出できる。
【発明の効果】
【００１３】
本発明による用語対訳抽出装置によれば、学習データや対訳辞書を必要とせずに、正しい用語対訳を抽出できる。
【図面の簡単な説明】
【００１４】
【図１】実施の形態１における用語対訳抽出装置のブロック図
【図２】実施の形態１におけるＴＪ，Ｅの語対応を示す図
【図３】実施の形態１における第二スコア算出手段が取得する分割表を示す図
【図４】実施の形態１における用語対訳抽出装置の動作について説明するフローチャート
【図５】実施の形態１におけるスコア算出処理について説明するフローチャート
【図６】実施の形態１における評価結果を示す図
【図７】実施の形態１における用語対訳候補に対する日本語側の構成要素数を示すグラフ
【図８】実施の形態１における用語対訳候補の出現頻度の変化を示すグラフ
【図９】実施の形態１における実験結果の例を示す図
【図１０】実施の形態２における用語対訳抽出装置のブロック図
【図１１】上記実施の形態におけるコンピュータシステムの概観図
【図１２】上記実施の形態におけるコンピュータシステムのブロック図
【発明を実施するための形態】
【００１５】
以下、用語対訳抽出装置等の実施形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。
【００１６】
（実施の形態１）
本実施の形態において、学習データや対訳辞書を必要とせずに、用語対訳を自動抽出できる用語対訳抽出装置について説明する。また、本実施の形態において、２以上（具体的には３つ）の異なる方法により、２以上の各用語対訳候補に対して、２以上のスコアを算出し、当該２以上のスコアに基づいて、一部の用語対訳候補を選択して取得し、蓄積する用語対訳抽出装置について説明する。
【００１７】
図１は、本実施の形態における用語対訳抽出装置１の内部構造を示すブロック図である。用語対訳抽出装置１は、対訳コーパス１１、対訳データベース１２、品詞情報パターン格納部１３、対訳データベース生成部１４、対応情報取得部１５、対訳フレーズ取得部１６、用語対訳候補取得部１７、スコア算出部１８、用語対訳蓄積部１９、および用語対訳データベース２０を具備する。
【００１８】
また、スコア算出部１８は、出現文数取得手段１８１、対応文数取得手段１８２、用語出現数取得手段１８３、未対応文数取得手段１８４、スコア算出手段１８５、第二スコア算出手段１８６、および第三スコア算出手段１８７を具備する。
【００１９】
対訳コーパス１１は、１以上の対訳文を格納し得る。対訳文とは、第一言語の文と第二言語の文とを対応付けて有する情報である。第二言語の文は、第一言語の文の第二言語の訳文である。
【００２０】
対訳データベース１２は、１以上の対訳フレーズを格納し得る。対訳フレーズは、第一フレーズ情報と、第二フレーズ情報とを対応付けて有する情報である。第一フレーズ情報とは、第一言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する。第二フレーズ情報も、第二言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する。また、第二言語のフレーズは、第一言語のフレーズの第二言語の訳である。また、対訳データベース１２は、通常、従来技術により、対訳コーパス１１から自動抽出される。かかる従来技術は、例えば、Moses（Philipp Koehn, Hieu Hoang, Alexandra Birch,Chris Callison-Burch, Marcello Federico, Nicola Bertoldi, Brooke Cowan, Wade Shen, Christine Moran, Richard Zens, Chris Dyer, Ondrej Bojar,Alexandra Constantin, and Evan Herbst. Moses:Open source toolkit for statistical machine trans-lation. In Proceedings of the 45th Annual Meet-ing of the Association for Computational Lin-guistics(ACL), pp. 177-180, 2007.参照}）の技術である。Mosesの技術は、公知技術であるので説明を省略する。なお、品詞情報とは品詞を示す情報であり、例えば、「名詞」「名詞句」「動詞」などである。
【００２１】
品詞情報パターン格納部１３は、１以上の品詞情報パターンを格納し得る。品詞情報パターンとは、１以上の品詞情報を有するパターンである。品詞情報パターンとは、例えば、「"名詞"の"名詞"」「"名詞"を"動詞"」などである。なお、品詞情報パターンとは、第一言語の品詞情報パターンでも良く、第二言語の品詞情報パターンでも良く、第一言語および第二言語の品詞情報パターンでも良い。
【００２２】
対訳データベース生成部１４は、対訳コーパス１１が有する１以上の各対訳文から、１以上の対訳フレーズを生成し、対訳データベース１２に蓄積する。対訳文から１以上の対訳フレーズを生成する技術は公知技術であるので説明を省略する。対訳文から１以上の対訳フレーズを生成する技術は、例えば、上記のMosesの技術である。
【００２３】
対応情報取得部１５は、１以上の各対訳文が有する第一言語の文と第二言語の文とに対して構造解析を行い、第一言語の文を構成する１以上の各用語と、第二言語の文を構成する１以上の各用語との対応に関する情報である対応情報を取得する。つまり、対応情報とは、第一言語の文と第二言語の文が有する用語間の対応を示す情報である。対応情報は、第一言語の文が有する用語と、第二言語の文が有する用語でも良いし、第一言語の文が有する用語の識別子（例えば、第一言語の文内の出願順を示す整数）と第二言語の文が有する用語の識別子（例えば、第二言語の文内の出願順を示す整数）でも良い。対応情報取得部１５の処理も公知技術であるので、詳細な説明を省略する。対応情報取得部１５の処理は、例えば、Mosesの技術により行う。Mosesの技術が翻訳モデルを学習する際に出力する。
【００２４】
対訳フレーズ取得部１６は、対訳データベース１２から、１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する。つまり、対訳フレーズ取得部１６は、例えば、品詞情報パターン「"名詞"の"名詞"」に合致する対訳フレーズ「冬の空」「the sky of winter」を取得する。
【００２５】
用語対訳候補取得部１７は、対訳フレーズ取得部１６が取得した１以上の対訳フレーズから、１以上の用語対訳候補を取得する。用語対訳候補とは、第一言語の用語と当該用語に対応する第二言語の用語の組の候補である。用語対訳候補取得部１７は、例えば、対訳フレーズ取得部１６が取得した「冬の空」「the sky of winter」から、用語対訳候補「冬」「winter」、および用語対訳候補「空」「sky」を取得する。
【００２６】
スコア算出部１８は、２以上の各用語対訳候補に対して、スコアを算出し、スコアを取得する。また、スコア算出部１８は、２以上の異なる方法により、２以上の各用語対訳候補に対して、スコアを算出し、２以上のスコアを取得する。また、スコア算出部１８は、２以上のスコアを取得した後、通常、当該２以上のスコアの代表値を取得する。スコアの代表値とは、２以上のスコアの平均値や中央値などであり、２以上のスコアを用いて算出される一の値である。ただし、スコア算出部１８は、異なる方法により取得された２以上のスコアをどのように用いても良い。また、用語対訳候補のスコアの算出方法は問わない。スコアの算出方法について、例えば、後述する対数尤度比を用いることが好適である。ただし、後述するFisher's exact testのｐ値（J Howard Johnson, Joel Martin, George Foster,and Roland Kuhn. Improving translation quality by discarding most of the phrasetable. In Pro-ceedings of the 2007 Joint Conference on Em-pirical Methods in Natural Language Processing and Computational Natural Language Learning,pp. 967-975, 2007.参照）や後述するC-value（Katerina T. Frantzi and Sophia Ananiadou. Ex-tracting nested collocations. In Proceedings of the 16th International Conference on Computational Linguistics (COLING 96), pp. 41-46, 1996.参照）などを用いても良い。ここでのスコアの算出方法は、通常、用語対訳候補の出現数などを用いた、統計的手法に基づく。
【００２７】
スコア算出部１８を構成する出現文数取得手段１８１は、対訳コーパス１１に格納されている１以上の対訳文から、出現文数を取得する。出現文数とは、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現する対訳文の数である。
【００２８】
対応文数取得手段１８２は、対応情報取得部１５が取得した対応情報から、対応文数を取得する。対応文数とは、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語とが対応する対訳文の数である。対応文数取得手段１８２は、対訳コーパス１１に格納されている１以上の対訳文を用いて、対応文数を取得する。
【００２９】
用語出現数取得手段１８３は、用語出現数を対訳コーパス１１から取得する。用語出現数は、用語対訳候補に対する対応情報が対応しないことを示す情報である場合、当該用語対訳候補が有する対応しない用語が出現する文の数である。つまり、この用語出現数取得手段１８３は、対訳文内で第一言語の用語と第二言語の用語とが出現するが、対応しない場合、当該対応しない用語が出現した文の数である用語出現数を、対訳コーパス１１から取得する。
【００３０】
未対応文数取得手段１８４は、対訳文内で第一言語の用語と第二言語の用語の両方が出現するが、対応しない対訳文の数である未対応文数を、対訳コーパス１１から取得する。
【００３１】
スコア算出手段１８５は、第一の方法を用いて、スコアを算出し、スコアを取得する。第一の方法は、対訳文内で第一言語の用語と第二言語の用語とが対応する場合と対応しない場合の対数尤度比を算出する方法である。さらに具体的には、第一の方法は、例えば、出現文数が大きいほどスコアが小さくなるように、かつ対応文数が大きいほどスコアが大きくなるように、スコアを算出する方法である。また、第一の方法は、例えば、用語出現数が大きいほどスコアが小さくなるように、かつ未対応文数が大きいほどスコアが大きくなるように、スコアを算出する方法である。つまり、第一の方法は、例えば、出現文数と用語出現数とをパラメータとする減少関数であり、対応文数と未対応文数とをパラメータとする増加関数である演算式ｆ（スコア＝ｆ（出現文数，対応文数，用語出現数，未対応文数））により、スコアを算出する方法である。そして、スコア算出手段１８５が算出するスコアは、例えば、以下の対数尤度比(Log-likelihood Ratio,以下、LLRという。)である。LLRではフレーズベース統計的機械翻訳で生成される語対応を構成要素の対応とし、用語対訳内の語対応の強さを尺度（スコア）とする。LLRの計算には用語対訳候補TJ,E内の語対応と、対訳コーパス内の各対訳文に対する語対応（用語の対応）の情報である対応情報が必要となる。TJ,Eの日本語用語Jはj1，j2，・・・，jkで構成されるとし、英語側をe1，e2，・・・，elとすると、TJ,Eの対数尤度比（ScoreL（TJ,E））は、以下の数式１を用いて算出される。なお、対応情報は、対応情報取得部１５により取得される情報である。
【数１】
【００３２】
数式１において、TJ,E内での語対応の集合をAj,e、TJ,E内で対応先を持たない構成要素の集合をAcとする。日本語用語J=｛j1,j2,j3｝、英語用語E=｛e1，e2，e3｝で構成されるTJ,Eの語対応を例として、図２に示す。図２において、Aj,e=｛(j1,e1)，(j1,e2)，(j3,e2)｝は、j1とe1とが語対応があり、j1とe2とが語対応があり、j3とe2とが語対応があることを示す。かかる語対応は、対応情報により取得される。
【００３３】
また、数式１において、LLR J,E（jk,el｜TJ,E）は語対応の強さを表し、以下の数式２により算出される。
【数２】
【００３４】
また、数式２において、P(+1｜jk，el)は数式３により算出される。数式３において、α＞＝０である。また、数式３において、jkとelに対応がある文数は、上記の対応文数である。また、jkとelが共に出現した文数は、上記の出現文数である。
【数３】
【００３５】
また、数式３において、P(−１｜jk,el)は、数式４で示される。
【数４】
【００３６】
数式３はTJ,Eの日本語用語Jと英語用語Eが対訳文に出現したとき、対訳文内でjkとelが対応する場合と対応しない場合の対数尤度比である。αはスムージングのために設けており、例えば、α＝１である。
【００３７】
また、TJ,Eが対訳文に出現したときに対応を持たない語は、空の構成要素ψと対応していると考え、P(＋１｜ｃ，ψ)は以下の数式５で定義される。数式５において、ｃの対応先がない文数は、上記の未対応文数である。また、ｃが出現した文数は、上記の用語出現数である。
【数５】
【００３８】
また、スコア算出手段１８５は、LLRc,ψ(c,ψ｜TJ,E)を数式２と同様に算出する。図２の語対応例では、スコア算出手段１８５は、ScoreL(TJ,E)を以下の数式６を用いて計算する。
【数６】
【００３９】
第二スコア算出手段１８６は、第二の方法を用いて、スコアを算出し、スコアを取得する。第二の方法は、第一の方法とは異なる。第二の方法は、例えば、Fisher's exact testのｐ値を用いる方法である。ここでの第二の方法は、以下のような方法である。
ある用語対訳候補TJ,Eにおける日本語の用語候補をJ、英語の用語候補をEとすると、第二スコア算出手段１８６は、対訳コーパス１１から図３のような分割表を得る。つまり、第二スコア算出手段１８６は、対訳コーパス１１から、対訳文の総数Ｎを取得する。また、第二スコア算出手段１８６は、対訳コーパス１１から、日本語の用語Jを含む対訳文数C(J)を取得する。また、第二スコア算出手段１８６は、対訳コーパス１１から、英語の用語Eを含む対訳文数C(E)を取得する。そして、第二スコア算出手段１８６は、対訳コーパス１１から、日本語の用語Jと英語の用語Eの両方を含む対訳文数C(J,E)を取得する。
【００４０】
そして、JとEが独立に出現する場合、図３のような分割表が得られる確率は組み合わせの数より数式７で定義される。C(J,E)以上の各値について確率を計算し、それらの総和がp値となる。p値（p-value）は数式８で定義される。
【数７】
【数８】
【００４１】
p値が０に近づく程JとEは従属であるとする。第二スコア算出手段１８６が算出する最終的なスコア（ScoreF）は以下の数式９であることは好適である。
【数９】
【００４２】
第三スコア算出手段１８７は、第三の方法を用いて、スコアを算出し、スコアを取得する。第三の方法は、第一の方法や第二の方法とは異なる。第三の方法は、例えば、C-valueを用いる方法である。C-valueは、以下の数式１０により算出される。C-value(T)は、用語Ｔが安定して使用される度合いを示す。
【数１０】
【００４３】
数式１０において、｜Ｔ｜は、用語Ｔの構成要素数、ｎ（Ｔ）は、対訳コーパス１１におけるＴの出現頻度、ｔ（Ｔ）は、対訳コーパス１１中に、Ｔを部分文字列として含む用語の延べ語数、ｃ（Ｔ）は、Ｔを部分文字列として含む用語の異なり語数である。なお、用語Ｔの構成要素数とは、用語Ｔの品詞情報を解析して、分割した場合の部分の数である。用語Ｔが「自然言語処理」であったとき、この用語Ｔの品詞情報を解析すると、「自然/名詞 言語/名詞 処理/名詞」となり、かかる場合の構成要素数が「３」である。また、｜Ｔ｜、ｎ（Ｔ）、およびｃ（Ｔ）を取得する技術は公知技術である。
【００４４】
数式１０において、（｜Ｔ｜−１）より、構成要素数が１の用語はC-valueが０になり、構成要素数に比例して高い値をとる。
【００４５】
本実施の形態では、用語対訳候補について、両言語側ともC-valueが、閾値より高いという条件を満たせば、正しい用語対訳である可能性が高いと仮定する。C-valueによる用語対訳候補の順位付けは、例えば、(1)両言語の用語に対してC-valueを計算し、各言語で独立に順位付けを行う。(2)用語対訳候補を構成する両言語の用語に対して、順位の平均を計算する。(3)順位の平均を尺度(ScoreC)として、用語対訳候補を順位付けする、という手順で行う。
【００４６】
用語対訳蓄積部１９は、スコア算出部１８が算出した２以上のスコアを用いて、２以上の用語対訳候補のうちの一部を選択して、用語対訳データベース２０に蓄積する。ここで、用語対訳蓄積部１９は、スコアが閾値以上の用語対訳候補を蓄積しても良いし、スコアが上位ｎ組の用語対訳候補を蓄積しても良い。また、「２以上のスコアを用いて」とは、２以上のスコアの代表値（平均値、中央値など）が、閾値以上の用語対訳候補を蓄積しても良いし、代表値が上位ｎ組の用語対訳候補を蓄積しても良い。
【００４７】
用語対訳データベース２０は、１以上の用語対訳を格納し得る。
【００４８】
対訳コーパス１１、対訳データベース１２、品詞情報パターン格納部１３、および用語対訳データベース２０は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。
【００４９】
対訳コーパス１１等に対訳文等が記憶される過程は問わない。例えば、記録媒体を介して対訳文等が対訳コーパス１１等で記憶されるようになってもよく、通信回線等を介して送信された対訳文等が対訳データベース１２で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された対訳文等が対訳コーパス１１等で記憶されるようになってもよい。
【００５０】
対訳データベース生成部１４、対応情報取得部１５、対訳フレーズ取得部１６、用語対訳候補取得部１７、スコア算出部１８、用語対訳蓄積部１９は、通常、ＭＰＵやメモリ等から実現され得る。対訳データベース生成部１４等の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００５１】
次に、用語対訳抽出装置１の動作について、図４のフローチャートを用いて説明する。なお、図４のフローチャートにおいて、既に、対訳データベース生成部１４が対訳コーパス１１に格納されている１以上の対訳文から１以上の対訳フレーズを生成し、対訳データベース１２に蓄積しているもの、とする。
【００５２】
（ステップＳ４０１）対訳フレーズ取得部１６は、カウンタｉに１を代入する。
【００５３】
（ステップＳ４０２）対訳フレーズ取得部１６は、ｉ番目の対訳フレーズが対訳データベース１２に存在するか否かを判断する。存在すればステップＳ４０３に行き、存在しなければステップＳ４１１に行く。
【００５４】
（ステップＳ４０３）対訳フレーズ取得部１６は、ｉ番目の対訳フレーズを対訳データベース１２から読み出す。
【００５５】
（ステップＳ４０４）対訳フレーズ取得部１６は、ステップＳ４０３で読み出した対訳フレーズが、品詞情報パターン格納部１３に格納されている１以上のいずれかの品詞情報パターンに合致するか否かを判断する。１以上のいずれかの品詞情報パターンに合致すればステップＳ４０５に行き、合致しなければステップＳ４１３に行く。
【００５６】
（ステップＳ４０５）用語対訳候補取得部１７は、ｉ番目の対訳フレーズから、１以上の用語対訳候補を取得する。なお、対訳フレーズから１以上の用語対訳候補を取得する方法は従来技術であり、いかなる方法でも良い。
【００５７】
（ステップＳ４０６）スコア算出部１８は、カウンタｊに１を代入する。
【００５８】
（ステップＳ４０７）スコア算出部１８は、ステップＳ４０５で取得された用語対訳候補の中で、ｊ番目の用語対訳候補が存在するか否かを判断する。ｊ番目の用語対訳候補が存在すればステップＳ４０８に行き、存在しなければステップＳ４１３に行く。
【００５９】
（ステップＳ４０８）スコア算出部１８は、ｊ番目の用語対訳候補のスコアを算出する。スコアを算出する処理については、図５のフローチャートを用いて説明する。
【００６０】
（ステップＳ４０９）スコア算出部１８は、ｊ番目の用語対訳候補と、そのスコアとを対応付けて図示しないバッファに一時蓄積する。
【００６１】
（ステップＳ４１０）スコア算出部１８は、カウンタｊを１、インクリメントし、ステップＳ４０７に戻る。
【００６２】
（ステップＳ４１１）用語対訳蓄積部１９は、図示しないバッファ中のスコアが上位のｎの用語対訳候補を取得する。
【００６３】
（ステップＳ４１２）用語対訳蓄積部１９は、ステップＳ４１１で取得したｎの用語対訳候補を、用語対訳として、用語対訳データベース２０に蓄積し、処理を終了する。
【００６４】
（ステップＳ４１３）対訳フレーズ取得部１６は、カウンタｉを１、インクリメントし、ステップＳ４０２に戻る。
【００６５】
なお、図４のフローチャートにおいて、用語対訳蓄積部１９が用語対訳データベース２０に蓄積する用語対訳は、スコアが閾値以上の用語対訳候補等でも良い。
【００６６】
次に、ステップＳ４０８のスコア算出処理について、図５のフローチャートを用いて説明する。なお、ここでは、用語対訳候補は、第一言語の第一用語と、第二言語の第二用語とを有する、とする。
【００６７】
（ステップＳ５０１）出現文数取得手段１８１は、用語対訳候補を構成する第一用語と第二用語の両方が出現する対訳文の数である出現文数を、対訳コーパス１１を検索して、取得する。
【００６８】
（ステップＳ５０２）対応情報取得部１５は、用語対訳候補を構成する第一用語と第二用語の両方が出現する１以上の対訳文に対して構造解析を行い、第一用語と第二用語との対応に関する情報である対応情報を取得する。つまり、対応情報取得部１５は、用語対訳候補を構成する第一用語と第二用語の両方が出現する１以上の各対訳文に対して構造解析を行い、第一用語と第二用語が対応するか否かを、対訳文ごとに判断し、判断結果を対訳文ごとにバッファに一時蓄積する。かかる場合、判断結果が対応情報である。
【００６９】
（ステップＳ５０３）対応文数取得手段１８２は、ステップＳ５０２で取得された対応情報を用いて、第一用語と第二用語とが対応する対応文数を取得する。対応文数取得手段１８２は、例えば、ステップＳ５０２で取得された第一用語と第二用語が対応することを示す対応情報の数を算出する。
【００７０】
（ステップＳ５０４）用語出現数取得手段１８３は、用語対訳候補を対訳コーパス１１から取得する。つまり、用語出現数取得手段１８３は、ステップＳ５０２で取得された対応情報を用いて、用語対訳候補に対する対応情報が対応しないことを示す情報である場合、当該用語対訳候補が有する対応しない用語が出現する文の数である用語出現数を対訳コーパス１１から取得する。
【００７１】
（ステップＳ５０５）未対応文数取得手段１８４は、ステップＳ５０２で取得された対応情報を用いて、対訳文内で第一言語の用語と第二言語の用語の両方が出現するが、対応しない対訳文の数である未対応文数を、対訳コーパス１１から取得する。
【００７２】
（ステップＳ５０６）スコア算出手段１８５は、数式１から数式５を読み出し、出現文数、対応文数、用語出現数、および未対応文数を数式に代入し、対数尤度比（ScoreL（TJ,E））を算出する。かかる対数尤度比を第一スコアとする。なお、スコア算出手段１８５は、数式１から数式５を予め格納している、とする。
【００７３】
（ステップＳ５０７）第二スコア算出手段１８６は、対訳コーパス１１に格納されている対訳文の総数Ｎを取得する。
【００７４】
（ステップＳ５０８）第二スコア算出手段１８６は、第一言語の文に第一用語を含む数Ｃ（Ｊ）を、対訳コーパス１１から取得する。
【００７５】
（ステップＳ５０９）第二スコア算出手段１８６は、第二言語の文に第二用語を含む数Ｃ（Ｅ）を、対訳コーパス１１から取得する。
【００７６】
（ステップＳ５１０）第二スコア算出手段１８６は、第一用語、第二用語の両方を含む対訳文の数Ｃ（Ｊ，Ｅ）を、対訳コーパス１１から取得する。
【００７７】
（ステップＳ５１１）第二スコア算出手段１８６は、数式７および８に、Ｎ、Ｃ（Ｊ）、Ｃ（Ｅ）、およびＣ（Ｊ，Ｅ）を代入し、ｐ値を算出する。ｐ値を第二スコアとする。なお、第二スコア算出手段１８６は、数式７から数式８を予め格納している、とする。
【００７８】
（ステップＳ５１２）第三スコア算出手段１８７は、第一用語の構成要素数｜Ｔ｜を取得する。
【００７９】
（ステップＳ５１３）第三スコア算出手段１８７は、対訳コーパス１１における第一用語の出現頻度ｎ（Ｔ）を取得する。
【００８０】
（ステップＳ５１４）第三スコア算出手段１８７は、対訳コーパス１１中に、第一用語を部分文字列として含む用語の延べ語数ｔ（Ｔ）を取得する。
【００８１】
（ステップＳ５１５）第三スコア算出手段１８７は、対訳コーパス１１中に、第一用語を部分文字列として含む用語の異なり語数ｃ（Ｔ）を取得する。
【００８２】
（ステップＳ５１６）第三スコア算出手段１８７は、数式１０を用いて、第一用語のC-valueを算出する。
【００８３】
（ステップＳ５１７）第三スコア算出手段１８７は、第二用語の構成要素数｜Ｔ｜を取得する。
【００８４】
（ステップＳ５１８）第三スコア算出手段１８７は、対訳コーパス１１における第二用語の出現頻度ｎ（Ｔ）を取得する。
【００８５】
（ステップＳ５１９）第三スコア算出手段１８７は、対訳コーパス１１中に、第二用語を部分文字列として含む用語の延べ語数ｔ（Ｔ）を取得する。
【００８６】
（ステップＳ５２０）第三スコア算出手段１８７は、対訳コーパス１１中に、第二用語を部分文字列として含む用語の異なり語数ｃ（Ｔ）を取得する。
【００８７】
（ステップＳ５２１）第三スコア算出手段１８７は、数式１０を用いて、第二用語のC-valueを算出する。
【００８８】
（ステップＳ５２２）第三スコア算出手段１８７は、第一用語のC-valueと第二用語のC-valueとを用いて、用語対訳候補の第三スコアを算出する。
【００８９】
（ステップＳ５２３）スコア算出部１８は、第一スコア、第二スコア、および第三スコアを用いて、代表値スコアを算出し、上位処理（ステップＳ４０９）にリターンする。代表値スコアは、例えば、第一スコア、第二スコア、および第三スコアの平均値である。
【００９０】
なお、図５のフローチャートにおいて、第三スコア算出手段１８７は、以下のように第三スコアを算出することは好適である。つまり、第三スコア算出手段１８７は、まず、両言語の用語に対してC-valueを計算し、各言語で独立に順位付けを行う。そして、第三スコア算出手段１８７は、用語対訳候補を構成する両言語の用語に対して、順位の平均を計算する。次に、第三スコア算出手段１８７は、順位の平均を第三スコアとする。
【００９１】
また、図５のフローチャートにおいて、対応情報取得部１５は、１以上の対訳文に対して、予め構造解析を行い、すべての対応情報を予め保持していても良い。かかる場合、ステップＳ５０２の処理は不要となる。
【００９２】
また、図５のフローチャートにおいて、スコア算出手段１８５、第二スコア算出手段１８６、および第三スコア算出手段１８７は、スコア順に用語対訳候補を並べ、各用語対訳候補の順位を取得し、かかる順位を、各方法のスコアとしても良い。かかる場合、最終的なスコアを、３つの順位の代表値（平均値や中央値など）としても良い。
【００９３】
さらに、図５のフローチャートにおいて、スコア算出方法は上記の３つに限らず、２以上の異なる方法を用いれば良い。
【００９４】
以下、本実施の形態における用語対訳抽出装置１の実験結果について説明する。
（実験）
【００９５】
対訳コーパス１１に、アパレル分野の約６万文対の日英対訳文を格納した。また、図４、図５のフローチャートを用いて説明した動作により、用語対訳抽出装置１は、用語対訳を抽出し、用語対訳データベース２０に蓄積した。なお、C-value（第三スコア）は既に部分文字列を考慮した尺度なので、本実験において、Fisher's exact test（第二スコア）とLLR（第一スコア）に対してこの制限を設けて用語対訳抽出を行い、制限を設けない場合と比較する。
【００９６】
そして、対訳データベース生成部１４が１以上の対訳フレーズを生成し、当該１以上の対訳フレーズを対訳データベース１２に格納し、得られたフレーズテーブルから、用語対訳候補取得部１７が抽出した用語対訳候補は２２，５４３対であった。これらの用語対訳候補に対して第一スコア（ScoreL）、第二スコア（ScoreF）、および第三スコア（ScoreC）を計算した。そして、第一から第三のスコアにおいて上位１，０００対を正しい用語対訳として抽出し、抽出した用語対訳の比較を行った。
【００９７】
そして、実験における評価方法は以下である。つまり、用語対訳候補を各スコアで順位付けし、上位１，０００対から無作為に１００対を抽出して対訳精度を評価した。評価結果を図６に示す。図６において、評価は人手で行い、対訳として正しいものをＡ、対訳として正しいが、文脈に依存するものをＡ'、部分的に正しいものをＢ、対訳として正しくないものをＣとした。
【００９８】
図６より各スコアでのＡ評価の数を比較すると、ScoreFが最も対訳精度が低かった。ScoreLとScoreCでは１対の差でScoreCが最も良い精度となったが、Ｃ評価の数はScoreLが最も少なく、ScoreLとScoreCは同程度の精度で用語対訳を抽出することが分かった。Score'FとScore'Lは部分文字列を考慮した場合の評価結果である。Score'Fでの評価Ａの数は７１対となり、制限を設けない場合よりも２８対多く抽出した。Score'Lでも精度が向上しており、用語対訳の部分文字列を考慮することは有効であることが分かった。
【００９９】
なお、部分文字列を考慮することは、以下のことである。本実験において、用語対訳抽出装置１は、対訳コーパスから両言語の用語候補を抽出し、各尺度の計算に必要な用語候補の出現頻度を数える。ある用語候補Ｔの部分文字列として文章に出現した用語候補Ｔ'は、Ｔ'単体で使用されていない。用語候補の適切な出現頻度を数えるために、用語候補が単体で使用されていない場合は出現頻度を数えないという制限を設ける。C-valueは既に部分文字列を考慮した尺度なので、Fisher's exact testとLLRに対してこの制限を設けて用語対訳抽出を行い、制限を設けない場合と比較した。そして、部分文字列を考慮したFisher's exact testによるスコアを、Score'Fとする。また、部分文字列を考慮したLLRによるスコアを、Score'Lとする。
【０１００】
そして、Score'F、Score'L、ScoreCの各スコアにおいて、どのような用語対訳を抽出しているのか調査した。図７に用語対訳候補の上位５，０００対に対する日本語側の構成要素数を示す。また、図８に出現頻度の変化を示す。図７において、縦軸が用語対訳の構成要素数、横軸が用語対訳のスコア順に並べた順位（ランク）を示す。また、図８において、縦軸が用語対訳の出現頻度、横軸が用語対訳のスコア順に並べた順位（ランク）を示す。また、図７、図８において、各点は１，０００位毎の平均値である。英語側の構成要素数は日本語側の性質とほぼ同じ性質を示したため省略する。図７、図８より、各スコアで性質の異なる用語対訳が上位に集中していることが分かった。Score'Fは高頻度で構成要素数が少ない用語対訳を抽出した。Score'Lによって抽出した用語対訳も高頻度であるが、構成要素数は多いものを抽出した。Score'Lは対応の強さを語対応の数だけ加算するため、構成要素数が多く、それぞれの対応が強い用語対訳が上位に集中する。ScoreCでは低頻度で構成要素数が多い用語対訳を抽出した。なお、構成要素数が１の用語はC-valueが０となるため、ScoreCによる用語対訳候補の順位では、構成要素数が２以上のものが集中している。ScoreCは両言語で独立にC-valueを計算した結果を統合しているので、日本語用語がどの英語用語に翻訳されるかについて考慮していない。しかし、対訳精度は高いことから、フレーズテーブルから用語対訳を抽出する本手法において、両言語側の用語が安定して出現し、構成要素数が２以上であるという制限が対訳精度に影響を与えることが分かった。
【０１０１】
次に、図９にScoreFで抽出され、Score'Fでは抽出されなかった用語対訳の例と、それぞれの尺度における順位を示す。括弧内は用語対訳の正誤判定である。１番目と２番目の例は、間違った用語対訳をScoreFによって抽出した例である。「リング/coloring」の正しい用語対訳は「カラーリング/coloring」である。このような間違った用語対訳に高いScoreFが与えているのは、用語対訳の部分文字列を考慮せずに出現頻度を数えているためである。「カラーリング/coloring」の例では、日本語用語が「カラー」と「リング」に分割された形態素解析結果となっている。「coloring」に対して「リング」が単体で出現することは少ないにもかかわらず、部分文字列として出現した場合を考慮していないので「リング/coloring」の出現頻度が高くなる。
【０１０２】
２番目の例については「side pocket」中の「side」と「サイドポケット」が同時に出現する頻度を数えているので、間違った用語対訳が抽出された。
【０１０３】
３番目の例はScoreFで正しく抽出されているが、Score'Fでは抽出できなかった例である。抽出失敗の理由は「スリーブ」と「sleeve」がそれぞれ部分文字列として多く出現し、十分な頻度が得られなかったためである。用語対訳候補内には「スリーブ」を部分文字列として含む日本語用語候補が３８個、「sleeve」を含む英語用語候補が４９個あった。「スリーブ/sleeve」の例のように、他の用語の部分文字列となりやすい用語で構成されている用語対訳は、用語対訳単体で出現する頻度が低くなる。Score'LについてもScoreLより精度が向上しているが、Score'F程大きな向上ではない。ScoreLの上位には構成要素数の多い用語対訳が集中するため、部分文字列となっている用語対訳が抽出されにくい。
【０１０４】
各スコアによって抽出する用語対訳の性質が異なることが分かった。そこで各スコアの性質を持った用語対訳を抽出することで、高品質の用語対訳が獲得できる。そのために各用語対訳候補についてScore'F,Score'L,ScoreCでの順位の平均値をScoreFLCと定義し、ScoreFLCを、各スコアを統合したスコアとして用語対訳の抽出を行った。評価結果は図６である。各スコアを統合したところ、スコアを統合しない場合で最も精度が高かったScore'LよりＡ評価が８対増え、各スコアを統合することで精度の高い用語対訳を抽出できることが分かった。
【０１０５】
以上、本実施の形態によれば、学習データや対訳辞書を必要とせずに、正しい用語対訳を抽出できる。また、本実施の形態によれば、正しい用語対訳を極めて精度高く自動抽出できる。
【０１０６】
なお、本実施の形態における処理は、ソフトウェアで実現しても良い。そして、このソフトウェアをソフトウェアダウンロード等により配布しても良い。また、このソフトウェアをＣＤ−ＲＯＭなどの記録媒体に記録して流布しても良い。なお、このことは、本明細書における他の実施の形態においても該当する。
【０１０７】
（実施の形態２）
本実施の形態において、スコア算出方法が実施の形態１で説明した対数尤度比のみを使用して、用語対訳を抽出する用語対訳抽出装置について説明する。
【０１０８】
図１０は、本実施の形態における用語対訳抽出装置２のブロック図である。用語対訳抽出装置２は、対訳コーパス１１、対訳データベース１２、品詞情報パターン格納部１３、対訳データベース生成部１４、対応情報取得部１５、対訳フレーズ取得部１６、用語対訳候補取得部１７、スコア算出部２８、および用語対訳蓄積部１９を具備する。
【０１０９】
スコア算出部２８は、出現文数取得手段１８１、対応文数取得手段１８２、用語出現数取得手段１８３、未対応文数取得手段１８４、およびスコア算出手段１８５を具備する。スコア算出部２８は、１以上の各用語対訳候補に対して、実施の形態１で説明した第一スコア（対数尤度比）のみを算出する。
【０１１０】
スコア算出部２８は、通常、ＭＰＵやメモリ等から実現され得る。スコア算出部２８の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１１１】
次に、用語対訳抽出装置２の動作について説明する。用語対訳抽出装置２の動作は、図４を用いて説明した用語対訳抽出装置１の動作と比較して、ステップＳ４０８のスコア算出処理のみが異なる。また、用語対訳抽出装置２のスコア算出処理は、図５のステップＳ５０１からＳ５０６を有し、最終的なスコアは、Ｓ５０６で取得される対数尤度比である。また、スコア算出部２８が算出する最終的なスコアは、Ｓ５０６で取得される対数尤度比を用いた、用語対訳候補の順位などでも良い。
【０１１２】
以上、本実施の形態によれば、学習データや対訳辞書を必要とせずに、正しい用語対訳を抽出できる。また、正しい用語対訳を極めて精度高く自動抽出できる。
【０１１３】
また、図１１は、本明細書で述べた用語対訳抽出装置１や用語対訳抽出装置２を実現するコンピュータの外観を示す。上述の実施の形態は、コンピュータハードウェア及びその上で実行されるコンピュータプログラムで実現され得る。図１１は、このコンピュータシステム３４０の概観図であり、図１２は、コンピュータシステム３４０の内部構成を示す図である。
【０１１４】
図１１において、コンピュータシステム３４０は、ＦＤドライブ３４１１、ＣＤ−ＲＯＭドライブ３４１２を含むコンピュータ３４１と、キーボード３４２と、マウス３４３と、モニタ３４４とを含む。
【０１１５】
図１２において、コンピュータ３４１は、ＦＤドライブ３４１１、ＣＤ−ＲＯＭドライブ３４１２に加えて、ＭＰＵ３４１３と、ＣＤ−ＲＯＭドライブ３４１２及びＦＤドライブ３４１１に接続されたバス３４１４と、ブートアッププログラム等のプログラムを記憶するためのＲＯＭ３４１５とに接続され、アプリケーションプログラムの命令を一時的に記憶するとともに一時記憶空間を提供するためのＲＡＭ３４１６と、アプリケーションプログラム、システムプログラム、及びデータを記憶するためのハードディスク３４１７とを含む。ここでは、図示しないが、コンピュータ３４１は、さらに、ＬＡＮへの接続を提供するネットワークカードを含んでも良い。
【０１１６】
コンピュータシステム３４０に、上述した実施の形態の用語対訳抽出装置等の機能を実行させるプログラムは、ＣＤ−ＲＯＭ３５０１、またはＦＤ３５０２に記憶されて、ＣＤ−ＲＯＭドライブ３４１２またはＦＤドライブ３４１１に挿入され、さらにハードディスク３４１７に転送されても良い。これに代えて、プログラムは、図示しないネットワークを介してコンピュータ３４１に送信され、ハードディスク３４１７に記憶されても良い。プログラムは実行の際にＲＡＭ３４１６にロードされる。プログラムは、ＣＤ−ＲＯＭ３５０１、ＦＤ３５０２またはネットワークから直接、ロードされても良い。
【０１１７】
プログラムは、コンピュータ３４１に、上述した実施の形態の用語対訳抽出装置等の機能を実行させるオペレーティングシステム（ＯＳ）、またはサードパーティープログラム等は、必ずしも含まなくても良い。プログラムは、制御された態様で適切な機能（モジュール）を呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいれば良い。コンピュータシステム３４０がどのように動作するかは周知であり、詳細な説明は省略する。
【０１１８】
また、上記各実施の形態において、各処理（各機能）は、単一の装置（システム）によって集中処理されることによって実現されてもよく、あるいは、複数の装置によって分散処理されることによって実現されてもよい。
【０１１９】
本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。
【産業上の利用可能性】
【０１２０】
以上のように、本発明にかかる用語対訳抽出装置は、学習データや対訳辞書を必要とせずに、正しい用語対訳を抽出できる、という効果を有し、用語対訳抽出装置等として有用である。
【符号の説明】
【０１２１】
１、２ 用語対訳抽出装置
１１ 対訳コーパス
１２ 対訳データベース
１３ 品詞情報パターン格納部
１４ 対訳データベース生成部
１５ 対応情報取得部
１６ 対訳フレーズ取得部
１７ 用語対訳候補取得部
１８、２８ スコア算出部
１９ 用語対訳蓄積部
２０ 用語対訳データベース
１８１ 出現文数取得手段
１８２ 対応文数取得手段
１８３ 用語出現数取得手段
１８４ 未対応文数取得手段
１８５ スコア算出手段
１８６ 第二スコア算出手段
１８７ 第三スコア算出手段
【技術分野】
【０００１】
本発明は、用語の対訳である用語対訳を自動取得する用語対訳抽出装置等に関するものである。
【背景技術】
【０００２】
用語の対訳は、機械翻訳などの自然言語処理の分野に留まらず、翻訳支援など広い分野で必要とされている。これらの用語対訳を人手で整備すると大変なコストがかかるため、用語対訳を自動抽出する研究が行われてきた。
【０００３】
その用語対訳を自動抽出する従来技術において、フレーズテーブルから分類器によって正しい用語対訳を得る手法がある（非特許文献１参照）。この手法では対訳コーパスからフレーズテーブルを獲得し、対訳リストを作成する。次に、対訳コーパスの原言語側から複合名詞リストを作成する。この２つのリストで原言語側のフレーズが重複しているものを用語対訳候補とする。フレーズテーブルを用いて得られる用語対訳候補には信頼度の低いものも含まれている。そこで、従来手法において、正しい用語対訳であるか判別するために、学習データを予め用意して分類器を学習させている。なお、フレーズテーブルとは単語列の対訳関係とその翻訳確率などの集合であり、フレーズベース統計的機械翻訳の訓練過程で生成される。
【０００４】
また、既存の対訳辞書を用いたものとして、要素合成法がある（非特許文献２参照）。この手法は用語を構成する単語・形態素毎に既存辞書から訳語を獲得し、これらを結合することで用語対訳を獲得する。
【先行技術文献】
【非特許文献】
【０００５】
【非特許文献１】Masaki Itagaki, Takako Aikawa, and Xiaodong He. Automatic validation of terminology transla-tion consistency with statistical method. In Pro-ceedings of MT summit XI, pp. 269-274, 2007.
【非特許文献２】外池昌嗣, 宇津呂武仁, 佐藤理史. ウェブから収集した専門分野コーパスと要素合成法を用いた専門用語訳語推定. 自然言語処理, Vol. 14, No. 2, pp.33-68, 2007.
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかしながら、従来の手法において、学習データや対訳辞書が必要になり、人手やコストがかかっていた。また、従来の手法において、正しい用語対訳を精度高く自動抽出できなかった。
【課題を解決するための手段】
【０００７】
本発明は、上記課題に鑑み、以下のような解決手段を有する。
本第一の発明の用語対訳抽出装置は、第一言語のフレーズとフレーズを構成する各用語の品詞情報とを有する第一フレーズ情報と、第一言語のフレーズの第二言語の訳である第二言語のフレーズとフレーズを構成する各用語の品詞情報とを有する第二フレーズ情報とを対応付けて有する１以上の対訳フレーズを格納し得る対訳データベースと、１以上の品詞情報を有するパターンである１以上の品詞情報パターンを格納し得る品詞情報パターン格納部と、対訳データベースから、１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得部と、対訳フレーズ取得部が取得した１以上の対訳フレーズから、第一言語の用語と用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得部と、２以上の異なる方法により、２以上の各用語対訳候補に対して、スコアを算出し、２以上のスコアを取得するスコア算出部と、２以上のスコアを用いて、２以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積部とを具備する用語対訳抽出装置である。
【０００８】
かかる構成により、学習データや対訳辞書を必要とせずに、正しい用語対訳を抽出できる。また、正しい用語対訳を精度高く自動抽出できる。
【０００９】
また、本第二の発明の用語対訳抽出装置は、第一の発明に対して、第一言語の文と文の第二言語の訳文である第二言語の文とを対応付けて有する１以上の対訳文を格納し得る対訳コーパスと、１以上の各対訳文が有する第一言語の文と第二言語の文とに対して、構造解析を行い、第一言語の文を構成する１以上の各用語と、第二言語の文を構成する１以上の各用語との対応に関する情報である対応情報を取得する対応情報取得部とをさらに具備し、スコア算出部は、対訳コーパスに格納されている１以上の対訳文から、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現する対訳文の数である出現文数を取得する出現文数取得手段と、対応情報取得部が取得した対応情報から、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語とが対応する対訳文の数を取得する対訳文の数である対応文数を取得する対応文数取得手段と、対応情報取得部が取得した対応情報が対応しないことを示す情報である場合、対応情報に対する用語対訳候補が有する対応しない用語が出現する文の数である用語出現数を、対訳コーパスから取得する用語出現数取得手段と、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現するが、対応しない対訳文の数である未対応文数を、対訳コーパスから取得する未対応文数取得手段と、出現文数と用語出現数が大きいほどスコアが小さくなるように、かつ対応文数と未対応文数が大きいほどスコアが大きくなるように、スコアを算出するスコア算出手段とを具備し、２以上の異なる方法のうちの一の方法は、出現文数取得手段と対応文数取得手段と用語出現数取得手段と未対応文数取得手段とスコア算出手段とを用いたスコアの算出方法である用語対訳抽出装置である。
【００１０】
かかる構成により、学習データや対訳辞書を必要とせずに、正しい用語対訳を抽出できる。また、正しい用語対訳を極めて精度高く自動抽出できる。
【００１１】
また、本第三の発明の用語対訳抽出装置は、第一言語の文と文の第二言語の訳文である第二言語の文とを対応付けて有する１以上の対訳文を格納し得る対訳コーパスと、第一言語のフレーズとフレーズを構成する各用語の品詞情報とを有する第一フレーズ情報と、第一言語のフレーズの第二言語の訳である第二言語のフレーズとフレーズを構成する各用語の品詞情報とを有する第二フレーズ情報とを対応付けて有する１以上の対訳フレーズを格納し得る対訳データベースと、１以上の品詞情報を有するパターンである１以上の品詞情報パターンを格納し得る品詞情報パターン格納部と、１以上の各対訳文が有する第一言語の文と第二言語の文とに対して、構造解析を行い、第一言語の文を構成する１以上の各用語と、第二言語の文を構成する１以上の各用語との対応に関する情報である対応情報を取得する対応情報取得部と、１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得部と、対訳フレーズ取得部が取得した１以上の対訳フレーズから、第一言語の用語と用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得部と、１以上の各用語対訳候補に対して、スコアを算出するスコア算出部と、スコア算出部が算出した１以上の各用語対訳候補の各スコアを用いて、１以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積部とを具備し、をさらに具備し、スコア算出部は、対訳コーパスに格納されている１以上の対訳文から、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現する対訳文の数である出現文数を取得する出現文数取得手段と、対応情報取得部が取得した対応情報から、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語とが対応する対訳文の数を取得する対訳文の数である対応文数を取得する対応文数取得手段と、対応情報取得部が取得した対応情報が対応しないことを示す用語対訳候補が有する対応しない用語が出現する文の数である用語出現数を、対訳コーパスから取得する用語出現数取得手段と、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現するが、対応しない対訳文の数である未対応文数を、対訳コーパスから取得する未対応文数取得手段と、出現文数と用語出現数が大きいほどスコアが小さくなるように、かつ対応文数と未対応文数が大きいほどスコアが大きくなるように、スコアを算出するスコア算出手段とを具備する用語対訳抽出装置である。
【００１２】
かかる構成により、学習データや対訳辞書を必要とせずに、正しい用語対訳を抽出できる。また、正しい用語対訳を極めて精度高く自動抽出できる。
【発明の効果】
【００１３】
本発明による用語対訳抽出装置によれば、学習データや対訳辞書を必要とせずに、正しい用語対訳を抽出できる。
【図面の簡単な説明】
【００１４】
【図１】実施の形態１における用語対訳抽出装置のブロック図
【図２】実施の形態１におけるＴＪ，Ｅの語対応を示す図
【図３】実施の形態１における第二スコア算出手段が取得する分割表を示す図
【図４】実施の形態１における用語対訳抽出装置の動作について説明するフローチャート
【図５】実施の形態１におけるスコア算出処理について説明するフローチャート
【図６】実施の形態１における評価結果を示す図
【図７】実施の形態１における用語対訳候補に対する日本語側の構成要素数を示すグラフ
【図８】実施の形態１における用語対訳候補の出現頻度の変化を示すグラフ
【図９】実施の形態１における実験結果の例を示す図
【図１０】実施の形態２における用語対訳抽出装置のブロック図
【図１１】上記実施の形態におけるコンピュータシステムの概観図
【図１２】上記実施の形態におけるコンピュータシステムのブロック図
【発明を実施するための形態】
【００１５】
以下、用語対訳抽出装置等の実施形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。
【００１６】
（実施の形態１）
本実施の形態において、学習データや対訳辞書を必要とせずに、用語対訳を自動抽出できる用語対訳抽出装置について説明する。また、本実施の形態において、２以上（具体的には３つ）の異なる方法により、２以上の各用語対訳候補に対して、２以上のスコアを算出し、当該２以上のスコアに基づいて、一部の用語対訳候補を選択して取得し、蓄積する用語対訳抽出装置について説明する。
【００１７】
図１は、本実施の形態における用語対訳抽出装置１の内部構造を示すブロック図である。用語対訳抽出装置１は、対訳コーパス１１、対訳データベース１２、品詞情報パターン格納部１３、対訳データベース生成部１４、対応情報取得部１５、対訳フレーズ取得部１６、用語対訳候補取得部１７、スコア算出部１８、用語対訳蓄積部１９、および用語対訳データベース２０を具備する。
【００１８】
また、スコア算出部１８は、出現文数取得手段１８１、対応文数取得手段１８２、用語出現数取得手段１８３、未対応文数取得手段１８４、スコア算出手段１８５、第二スコア算出手段１８６、および第三スコア算出手段１８７を具備する。
【００１９】
対訳コーパス１１は、１以上の対訳文を格納し得る。対訳文とは、第一言語の文と第二言語の文とを対応付けて有する情報である。第二言語の文は、第一言語の文の第二言語の訳文である。
【００２０】
対訳データベース１２は、１以上の対訳フレーズを格納し得る。対訳フレーズは、第一フレーズ情報と、第二フレーズ情報とを対応付けて有する情報である。第一フレーズ情報とは、第一言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する。第二フレーズ情報も、第二言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する。また、第二言語のフレーズは、第一言語のフレーズの第二言語の訳である。また、対訳データベース１２は、通常、従来技術により、対訳コーパス１１から自動抽出される。かかる従来技術は、例えば、Moses（Philipp Koehn, Hieu Hoang, Alexandra Birch,Chris Callison-Burch, Marcello Federico, Nicola Bertoldi, Brooke Cowan, Wade Shen, Christine Moran, Richard Zens, Chris Dyer, Ondrej Bojar,Alexandra Constantin, and Evan Herbst. Moses:Open source toolkit for statistical machine trans-lation. In Proceedings of the 45th Annual Meet-ing of the Association for Computational Lin-guistics(ACL), pp. 177-180, 2007.参照}）の技術である。Mosesの技術は、公知技術であるので説明を省略する。なお、品詞情報とは品詞を示す情報であり、例えば、「名詞」「名詞句」「動詞」などである。
【００２１】
品詞情報パターン格納部１３は、１以上の品詞情報パターンを格納し得る。品詞情報パターンとは、１以上の品詞情報を有するパターンである。品詞情報パターンとは、例えば、「"名詞"の"名詞"」「"名詞"を"動詞"」などである。なお、品詞情報パターンとは、第一言語の品詞情報パターンでも良く、第二言語の品詞情報パターンでも良く、第一言語および第二言語の品詞情報パターンでも良い。
【００２２】
対訳データベース生成部１４は、対訳コーパス１１が有する１以上の各対訳文から、１以上の対訳フレーズを生成し、対訳データベース１２に蓄積する。対訳文から１以上の対訳フレーズを生成する技術は公知技術であるので説明を省略する。対訳文から１以上の対訳フレーズを生成する技術は、例えば、上記のMosesの技術である。
【００２３】
対応情報取得部１５は、１以上の各対訳文が有する第一言語の文と第二言語の文とに対して構造解析を行い、第一言語の文を構成する１以上の各用語と、第二言語の文を構成する１以上の各用語との対応に関する情報である対応情報を取得する。つまり、対応情報とは、第一言語の文と第二言語の文が有する用語間の対応を示す情報である。対応情報は、第一言語の文が有する用語と、第二言語の文が有する用語でも良いし、第一言語の文が有する用語の識別子（例えば、第一言語の文内の出願順を示す整数）と第二言語の文が有する用語の識別子（例えば、第二言語の文内の出願順を示す整数）でも良い。対応情報取得部１５の処理も公知技術であるので、詳細な説明を省略する。対応情報取得部１５の処理は、例えば、Mosesの技術により行う。Mosesの技術が翻訳モデルを学習する際に出力する。
【００２４】
対訳フレーズ取得部１６は、対訳データベース１２から、１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する。つまり、対訳フレーズ取得部１６は、例えば、品詞情報パターン「"名詞"の"名詞"」に合致する対訳フレーズ「冬の空」「the sky of winter」を取得する。
【００２５】
用語対訳候補取得部１７は、対訳フレーズ取得部１６が取得した１以上の対訳フレーズから、１以上の用語対訳候補を取得する。用語対訳候補とは、第一言語の用語と当該用語に対応する第二言語の用語の組の候補である。用語対訳候補取得部１７は、例えば、対訳フレーズ取得部１６が取得した「冬の空」「the sky of winter」から、用語対訳候補「冬」「winter」、および用語対訳候補「空」「sky」を取得する。
【００２６】
スコア算出部１８は、２以上の各用語対訳候補に対して、スコアを算出し、スコアを取得する。また、スコア算出部１８は、２以上の異なる方法により、２以上の各用語対訳候補に対して、スコアを算出し、２以上のスコアを取得する。また、スコア算出部１８は、２以上のスコアを取得した後、通常、当該２以上のスコアの代表値を取得する。スコアの代表値とは、２以上のスコアの平均値や中央値などであり、２以上のスコアを用いて算出される一の値である。ただし、スコア算出部１８は、異なる方法により取得された２以上のスコアをどのように用いても良い。また、用語対訳候補のスコアの算出方法は問わない。スコアの算出方法について、例えば、後述する対数尤度比を用いることが好適である。ただし、後述するFisher's exact testのｐ値（J Howard Johnson, Joel Martin, George Foster,and Roland Kuhn. Improving translation quality by discarding most of the phrasetable. In Pro-ceedings of the 2007 Joint Conference on Em-pirical Methods in Natural Language Processing and Computational Natural Language Learning,pp. 967-975, 2007.参照）や後述するC-value（Katerina T. Frantzi and Sophia Ananiadou. Ex-tracting nested collocations. In Proceedings of the 16th International Conference on Computational Linguistics (COLING 96), pp. 41-46, 1996.参照）などを用いても良い。ここでのスコアの算出方法は、通常、用語対訳候補の出現数などを用いた、統計的手法に基づく。
【００２７】
スコア算出部１８を構成する出現文数取得手段１８１は、対訳コーパス１１に格納されている１以上の対訳文から、出現文数を取得する。出現文数とは、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現する対訳文の数である。
【００２８】
対応文数取得手段１８２は、対応情報取得部１５が取得した対応情報から、対応文数を取得する。対応文数とは、２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語とが対応する対訳文の数である。対応文数取得手段１８２は、対訳コーパス１１に格納されている１以上の対訳文を用いて、対応文数を取得する。
【００２９】
用語出現数取得手段１８３は、用語出現数を対訳コーパス１１から取得する。用語出現数は、用語対訳候補に対する対応情報が対応しないことを示す情報である場合、当該用語対訳候補が有する対応しない用語が出現する文の数である。つまり、この用語出現数取得手段１８３は、対訳文内で第一言語の用語と第二言語の用語とが出現するが、対応しない場合、当該対応しない用語が出現した文の数である用語出現数を、対訳コーパス１１から取得する。
【００３０】
未対応文数取得手段１８４は、対訳文内で第一言語の用語と第二言語の用語の両方が出現するが、対応しない対訳文の数である未対応文数を、対訳コーパス１１から取得する。
【００３１】
スコア算出手段１８５は、第一の方法を用いて、スコアを算出し、スコアを取得する。第一の方法は、対訳文内で第一言語の用語と第二言語の用語とが対応する場合と対応しない場合の対数尤度比を算出する方法である。さらに具体的には、第一の方法は、例えば、出現文数が大きいほどスコアが小さくなるように、かつ対応文数が大きいほどスコアが大きくなるように、スコアを算出する方法である。また、第一の方法は、例えば、用語出現数が大きいほどスコアが小さくなるように、かつ未対応文数が大きいほどスコアが大きくなるように、スコアを算出する方法である。つまり、第一の方法は、例えば、出現文数と用語出現数とをパラメータとする減少関数であり、対応文数と未対応文数とをパラメータとする増加関数である演算式ｆ（スコア＝ｆ（出現文数，対応文数，用語出現数，未対応文数））により、スコアを算出する方法である。そして、スコア算出手段１８５が算出するスコアは、例えば、以下の対数尤度比(Log-likelihood Ratio,以下、LLRという。)である。LLRではフレーズベース統計的機械翻訳で生成される語対応を構成要素の対応とし、用語対訳内の語対応の強さを尺度（スコア）とする。LLRの計算には用語対訳候補TJ,E内の語対応と、対訳コーパス内の各対訳文に対する語対応（用語の対応）の情報である対応情報が必要となる。TJ,Eの日本語用語Jはj1，j2，・・・，jkで構成されるとし、英語側をe1，e2，・・・，elとすると、TJ,Eの対数尤度比（ScoreL（TJ,E））は、以下の数式１を用いて算出される。なお、対応情報は、対応情報取得部１５により取得される情報である。
【数１】
【００３２】
数式１において、TJ,E内での語対応の集合をAj,e、TJ,E内で対応先を持たない構成要素の集合をAcとする。日本語用語J=｛j1,j2,j3｝、英語用語E=｛e1，e2，e3｝で構成されるTJ,Eの語対応を例として、図２に示す。図２において、Aj,e=｛(j1,e1)，(j1,e2)，(j3,e2)｝は、j1とe1とが語対応があり、j1とe2とが語対応があり、j3とe2とが語対応があることを示す。かかる語対応は、対応情報により取得される。
【００３３】
また、数式１において、LLR J,E（jk,el｜TJ,E）は語対応の強さを表し、以下の数式２により算出される。
【数２】
【００３４】
また、数式２において、P(+1｜jk，el)は数式３により算出される。数式３において、α＞＝０である。また、数式３において、jkとelに対応がある文数は、上記の対応文数である。また、jkとelが共に出現した文数は、上記の出現文数である。
【数３】
【００３５】
また、数式３において、P(−１｜jk,el)は、数式４で示される。
【数４】
【００３６】
数式３はTJ,Eの日本語用語Jと英語用語Eが対訳文に出現したとき、対訳文内でjkとelが対応する場合と対応しない場合の対数尤度比である。αはスムージングのために設けており、例えば、α＝１である。
【００３７】
また、TJ,Eが対訳文に出現したときに対応を持たない語は、空の構成要素ψと対応していると考え、P(＋１｜ｃ，ψ)は以下の数式５で定義される。数式５において、ｃの対応先がない文数は、上記の未対応文数である。また、ｃが出現した文数は、上記の用語出現数である。
【数５】
【００３８】
また、スコア算出手段１８５は、LLRc,ψ(c,ψ｜TJ,E)を数式２と同様に算出する。図２の語対応例では、スコア算出手段１８５は、ScoreL(TJ,E)を以下の数式６を用いて計算する。
【数６】
【００３９】
第二スコア算出手段１８６は、第二の方法を用いて、スコアを算出し、スコアを取得する。第二の方法は、第一の方法とは異なる。第二の方法は、例えば、Fisher's exact testのｐ値を用いる方法である。ここでの第二の方法は、以下のような方法である。
ある用語対訳候補TJ,Eにおける日本語の用語候補をJ、英語の用語候補をEとすると、第二スコア算出手段１８６は、対訳コーパス１１から図３のような分割表を得る。つまり、第二スコア算出手段１８６は、対訳コーパス１１から、対訳文の総数Ｎを取得する。また、第二スコア算出手段１８６は、対訳コーパス１１から、日本語の用語Jを含む対訳文数C(J)を取得する。また、第二スコア算出手段１８６は、対訳コーパス１１から、英語の用語Eを含む対訳文数C(E)を取得する。そして、第二スコア算出手段１８６は、対訳コーパス１１から、日本語の用語Jと英語の用語Eの両方を含む対訳文数C(J,E)を取得する。
【００４０】
そして、JとEが独立に出現する場合、図３のような分割表が得られる確率は組み合わせの数より数式７で定義される。C(J,E)以上の各値について確率を計算し、それらの総和がp値となる。p値（p-value）は数式８で定義される。
【数７】
【数８】
【００４１】
p値が０に近づく程JとEは従属であるとする。第二スコア算出手段１８６が算出する最終的なスコア（ScoreF）は以下の数式９であることは好適である。
【数９】
【００４２】
第三スコア算出手段１８７は、第三の方法を用いて、スコアを算出し、スコアを取得する。第三の方法は、第一の方法や第二の方法とは異なる。第三の方法は、例えば、C-valueを用いる方法である。C-valueは、以下の数式１０により算出される。C-value(T)は、用語Ｔが安定して使用される度合いを示す。
【数１０】
【００４３】
数式１０において、｜Ｔ｜は、用語Ｔの構成要素数、ｎ（Ｔ）は、対訳コーパス１１におけるＴの出現頻度、ｔ（Ｔ）は、対訳コーパス１１中に、Ｔを部分文字列として含む用語の延べ語数、ｃ（Ｔ）は、Ｔを部分文字列として含む用語の異なり語数である。なお、用語Ｔの構成要素数とは、用語Ｔの品詞情報を解析して、分割した場合の部分の数である。用語Ｔが「自然言語処理」であったとき、この用語Ｔの品詞情報を解析すると、「自然/名詞 言語/名詞 処理/名詞」となり、かかる場合の構成要素数が「３」である。また、｜Ｔ｜、ｎ（Ｔ）、およびｃ（Ｔ）を取得する技術は公知技術である。
【００４４】
数式１０において、（｜Ｔ｜−１）より、構成要素数が１の用語はC-valueが０になり、構成要素数に比例して高い値をとる。
【００４５】
本実施の形態では、用語対訳候補について、両言語側ともC-valueが、閾値より高いという条件を満たせば、正しい用語対訳である可能性が高いと仮定する。C-valueによる用語対訳候補の順位付けは、例えば、(1)両言語の用語に対してC-valueを計算し、各言語で独立に順位付けを行う。(2)用語対訳候補を構成する両言語の用語に対して、順位の平均を計算する。(3)順位の平均を尺度(ScoreC)として、用語対訳候補を順位付けする、という手順で行う。
【００４６】
用語対訳蓄積部１９は、スコア算出部１８が算出した２以上のスコアを用いて、２以上の用語対訳候補のうちの一部を選択して、用語対訳データベース２０に蓄積する。ここで、用語対訳蓄積部１９は、スコアが閾値以上の用語対訳候補を蓄積しても良いし、スコアが上位ｎ組の用語対訳候補を蓄積しても良い。また、「２以上のスコアを用いて」とは、２以上のスコアの代表値（平均値、中央値など）が、閾値以上の用語対訳候補を蓄積しても良いし、代表値が上位ｎ組の用語対訳候補を蓄積しても良い。
【００４７】
用語対訳データベース２０は、１以上の用語対訳を格納し得る。
【００４８】
対訳コーパス１１、対訳データベース１２、品詞情報パターン格納部１３、および用語対訳データベース２０は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。
【００４９】
対訳コーパス１１等に対訳文等が記憶される過程は問わない。例えば、記録媒体を介して対訳文等が対訳コーパス１１等で記憶されるようになってもよく、通信回線等を介して送信された対訳文等が対訳データベース１２で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された対訳文等が対訳コーパス１１等で記憶されるようになってもよい。
【００５０】
対訳データベース生成部１４、対応情報取得部１５、対訳フレーズ取得部１６、用語対訳候補取得部１７、スコア算出部１８、用語対訳蓄積部１９は、通常、ＭＰＵやメモリ等から実現され得る。対訳データベース生成部１４等の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００５１】
次に、用語対訳抽出装置１の動作について、図４のフローチャートを用いて説明する。なお、図４のフローチャートにおいて、既に、対訳データベース生成部１４が対訳コーパス１１に格納されている１以上の対訳文から１以上の対訳フレーズを生成し、対訳データベース１２に蓄積しているもの、とする。
【００５２】
（ステップＳ４０１）対訳フレーズ取得部１６は、カウンタｉに１を代入する。
【００５３】
（ステップＳ４０２）対訳フレーズ取得部１６は、ｉ番目の対訳フレーズが対訳データベース１２に存在するか否かを判断する。存在すればステップＳ４０３に行き、存在しなければステップＳ４１１に行く。
【００５４】
（ステップＳ４０３）対訳フレーズ取得部１６は、ｉ番目の対訳フレーズを対訳データベース１２から読み出す。
【００５５】
（ステップＳ４０４）対訳フレーズ取得部１６は、ステップＳ４０３で読み出した対訳フレーズが、品詞情報パターン格納部１３に格納されている１以上のいずれかの品詞情報パターンに合致するか否かを判断する。１以上のいずれかの品詞情報パターンに合致すればステップＳ４０５に行き、合致しなければステップＳ４１３に行く。
【００５６】
（ステップＳ４０５）用語対訳候補取得部１７は、ｉ番目の対訳フレーズから、１以上の用語対訳候補を取得する。なお、対訳フレーズから１以上の用語対訳候補を取得する方法は従来技術であり、いかなる方法でも良い。
【００５７】
（ステップＳ４０６）スコア算出部１８は、カウンタｊに１を代入する。
【００５８】
（ステップＳ４０７）スコア算出部１８は、ステップＳ４０５で取得された用語対訳候補の中で、ｊ番目の用語対訳候補が存在するか否かを判断する。ｊ番目の用語対訳候補が存在すればステップＳ４０８に行き、存在しなければステップＳ４１３に行く。
【００５９】
（ステップＳ４０８）スコア算出部１８は、ｊ番目の用語対訳候補のスコアを算出する。スコアを算出する処理については、図５のフローチャートを用いて説明する。
【００６０】
（ステップＳ４０９）スコア算出部１８は、ｊ番目の用語対訳候補と、そのスコアとを対応付けて図示しないバッファに一時蓄積する。
【００６１】
（ステップＳ４１０）スコア算出部１８は、カウンタｊを１、インクリメントし、ステップＳ４０７に戻る。
【００６２】
（ステップＳ４１１）用語対訳蓄積部１９は、図示しないバッファ中のスコアが上位のｎの用語対訳候補を取得する。
【００６３】
（ステップＳ４１２）用語対訳蓄積部１９は、ステップＳ４１１で取得したｎの用語対訳候補を、用語対訳として、用語対訳データベース２０に蓄積し、処理を終了する。
【００６４】
（ステップＳ４１３）対訳フレーズ取得部１６は、カウンタｉを１、インクリメントし、ステップＳ４０２に戻る。
【００６５】
なお、図４のフローチャートにおいて、用語対訳蓄積部１９が用語対訳データベース２０に蓄積する用語対訳は、スコアが閾値以上の用語対訳候補等でも良い。
【００６６】
次に、ステップＳ４０８のスコア算出処理について、図５のフローチャートを用いて説明する。なお、ここでは、用語対訳候補は、第一言語の第一用語と、第二言語の第二用語とを有する、とする。
【００６７】
（ステップＳ５０１）出現文数取得手段１８１は、用語対訳候補を構成する第一用語と第二用語の両方が出現する対訳文の数である出現文数を、対訳コーパス１１を検索して、取得する。
【００６８】
（ステップＳ５０２）対応情報取得部１５は、用語対訳候補を構成する第一用語と第二用語の両方が出現する１以上の対訳文に対して構造解析を行い、第一用語と第二用語との対応に関する情報である対応情報を取得する。つまり、対応情報取得部１５は、用語対訳候補を構成する第一用語と第二用語の両方が出現する１以上の各対訳文に対して構造解析を行い、第一用語と第二用語が対応するか否かを、対訳文ごとに判断し、判断結果を対訳文ごとにバッファに一時蓄積する。かかる場合、判断結果が対応情報である。
【００６９】
（ステップＳ５０３）対応文数取得手段１８２は、ステップＳ５０２で取得された対応情報を用いて、第一用語と第二用語とが対応する対応文数を取得する。対応文数取得手段１８２は、例えば、ステップＳ５０２で取得された第一用語と第二用語が対応することを示す対応情報の数を算出する。
【００７０】
（ステップＳ５０４）用語出現数取得手段１８３は、用語対訳候補を対訳コーパス１１から取得する。つまり、用語出現数取得手段１８３は、ステップＳ５０２で取得された対応情報を用いて、用語対訳候補に対する対応情報が対応しないことを示す情報である場合、当該用語対訳候補が有する対応しない用語が出現する文の数である用語出現数を対訳コーパス１１から取得する。
【００７１】
（ステップＳ５０５）未対応文数取得手段１８４は、ステップＳ５０２で取得された対応情報を用いて、対訳文内で第一言語の用語と第二言語の用語の両方が出現するが、対応しない対訳文の数である未対応文数を、対訳コーパス１１から取得する。
【００７２】
（ステップＳ５０６）スコア算出手段１８５は、数式１から数式５を読み出し、出現文数、対応文数、用語出現数、および未対応文数を数式に代入し、対数尤度比（ScoreL（TJ,E））を算出する。かかる対数尤度比を第一スコアとする。なお、スコア算出手段１８５は、数式１から数式５を予め格納している、とする。
【００７３】
（ステップＳ５０７）第二スコア算出手段１８６は、対訳コーパス１１に格納されている対訳文の総数Ｎを取得する。
【００７４】
（ステップＳ５０８）第二スコア算出手段１８６は、第一言語の文に第一用語を含む数Ｃ（Ｊ）を、対訳コーパス１１から取得する。
【００７５】
（ステップＳ５０９）第二スコア算出手段１８６は、第二言語の文に第二用語を含む数Ｃ（Ｅ）を、対訳コーパス１１から取得する。
【００７６】
（ステップＳ５１０）第二スコア算出手段１８６は、第一用語、第二用語の両方を含む対訳文の数Ｃ（Ｊ，Ｅ）を、対訳コーパス１１から取得する。
【００７７】
（ステップＳ５１１）第二スコア算出手段１８６は、数式７および８に、Ｎ、Ｃ（Ｊ）、Ｃ（Ｅ）、およびＣ（Ｊ，Ｅ）を代入し、ｐ値を算出する。ｐ値を第二スコアとする。なお、第二スコア算出手段１８６は、数式７から数式８を予め格納している、とする。
【００７８】
（ステップＳ５１２）第三スコア算出手段１８７は、第一用語の構成要素数｜Ｔ｜を取得する。
【００７９】
（ステップＳ５１３）第三スコア算出手段１８７は、対訳コーパス１１における第一用語の出現頻度ｎ（Ｔ）を取得する。
【００８０】
（ステップＳ５１４）第三スコア算出手段１８７は、対訳コーパス１１中に、第一用語を部分文字列として含む用語の延べ語数ｔ（Ｔ）を取得する。
【００８１】
（ステップＳ５１５）第三スコア算出手段１８７は、対訳コーパス１１中に、第一用語を部分文字列として含む用語の異なり語数ｃ（Ｔ）を取得する。
【００８２】
（ステップＳ５１６）第三スコア算出手段１８７は、数式１０を用いて、第一用語のC-valueを算出する。
【００８３】
（ステップＳ５１７）第三スコア算出手段１８７は、第二用語の構成要素数｜Ｔ｜を取得する。
【００８４】
（ステップＳ５１８）第三スコア算出手段１８７は、対訳コーパス１１における第二用語の出現頻度ｎ（Ｔ）を取得する。
【００８５】
（ステップＳ５１９）第三スコア算出手段１８７は、対訳コーパス１１中に、第二用語を部分文字列として含む用語の延べ語数ｔ（Ｔ）を取得する。
【００８６】
（ステップＳ５２０）第三スコア算出手段１８７は、対訳コーパス１１中に、第二用語を部分文字列として含む用語の異なり語数ｃ（Ｔ）を取得する。
【００８７】
（ステップＳ５２１）第三スコア算出手段１８７は、数式１０を用いて、第二用語のC-valueを算出する。
【００８８】
（ステップＳ５２２）第三スコア算出手段１８７は、第一用語のC-valueと第二用語のC-valueとを用いて、用語対訳候補の第三スコアを算出する。
【００８９】
（ステップＳ５２３）スコア算出部１８は、第一スコア、第二スコア、および第三スコアを用いて、代表値スコアを算出し、上位処理（ステップＳ４０９）にリターンする。代表値スコアは、例えば、第一スコア、第二スコア、および第三スコアの平均値である。
【００９０】
なお、図５のフローチャートにおいて、第三スコア算出手段１８７は、以下のように第三スコアを算出することは好適である。つまり、第三スコア算出手段１８７は、まず、両言語の用語に対してC-valueを計算し、各言語で独立に順位付けを行う。そして、第三スコア算出手段１８７は、用語対訳候補を構成する両言語の用語に対して、順位の平均を計算する。次に、第三スコア算出手段１８７は、順位の平均を第三スコアとする。
【００９１】
また、図５のフローチャートにおいて、対応情報取得部１５は、１以上の対訳文に対して、予め構造解析を行い、すべての対応情報を予め保持していても良い。かかる場合、ステップＳ５０２の処理は不要となる。
【００９２】
また、図５のフローチャートにおいて、スコア算出手段１８５、第二スコア算出手段１８６、および第三スコア算出手段１８７は、スコア順に用語対訳候補を並べ、各用語対訳候補の順位を取得し、かかる順位を、各方法のスコアとしても良い。かかる場合、最終的なスコアを、３つの順位の代表値（平均値や中央値など）としても良い。
【００９３】
さらに、図５のフローチャートにおいて、スコア算出方法は上記の３つに限らず、２以上の異なる方法を用いれば良い。
【００９４】
以下、本実施の形態における用語対訳抽出装置１の実験結果について説明する。
（実験）
【００９５】
対訳コーパス１１に、アパレル分野の約６万文対の日英対訳文を格納した。また、図４、図５のフローチャートを用いて説明した動作により、用語対訳抽出装置１は、用語対訳を抽出し、用語対訳データベース２０に蓄積した。なお、C-value（第三スコア）は既に部分文字列を考慮した尺度なので、本実験において、Fisher's exact test（第二スコア）とLLR（第一スコア）に対してこの制限を設けて用語対訳抽出を行い、制限を設けない場合と比較する。
【００９６】
そして、対訳データベース生成部１４が１以上の対訳フレーズを生成し、当該１以上の対訳フレーズを対訳データベース１２に格納し、得られたフレーズテーブルから、用語対訳候補取得部１７が抽出した用語対訳候補は２２，５４３対であった。これらの用語対訳候補に対して第一スコア（ScoreL）、第二スコア（ScoreF）、および第三スコア（ScoreC）を計算した。そして、第一から第三のスコアにおいて上位１，０００対を正しい用語対訳として抽出し、抽出した用語対訳の比較を行った。
【００９７】
そして、実験における評価方法は以下である。つまり、用語対訳候補を各スコアで順位付けし、上位１，０００対から無作為に１００対を抽出して対訳精度を評価した。評価結果を図６に示す。図６において、評価は人手で行い、対訳として正しいものをＡ、対訳として正しいが、文脈に依存するものをＡ'、部分的に正しいものをＢ、対訳として正しくないものをＣとした。
【００９８】
図６より各スコアでのＡ評価の数を比較すると、ScoreFが最も対訳精度が低かった。ScoreLとScoreCでは１対の差でScoreCが最も良い精度となったが、Ｃ評価の数はScoreLが最も少なく、ScoreLとScoreCは同程度の精度で用語対訳を抽出することが分かった。Score'FとScore'Lは部分文字列を考慮した場合の評価結果である。Score'Fでの評価Ａの数は７１対となり、制限を設けない場合よりも２８対多く抽出した。Score'Lでも精度が向上しており、用語対訳の部分文字列を考慮することは有効であることが分かった。
【００９９】
なお、部分文字列を考慮することは、以下のことである。本実験において、用語対訳抽出装置１は、対訳コーパスから両言語の用語候補を抽出し、各尺度の計算に必要な用語候補の出現頻度を数える。ある用語候補Ｔの部分文字列として文章に出現した用語候補Ｔ'は、Ｔ'単体で使用されていない。用語候補の適切な出現頻度を数えるために、用語候補が単体で使用されていない場合は出現頻度を数えないという制限を設ける。C-valueは既に部分文字列を考慮した尺度なので、Fisher's exact testとLLRに対してこの制限を設けて用語対訳抽出を行い、制限を設けない場合と比較した。そして、部分文字列を考慮したFisher's exact testによるスコアを、Score'Fとする。また、部分文字列を考慮したLLRによるスコアを、Score'Lとする。
【０１００】
そして、Score'F、Score'L、ScoreCの各スコアにおいて、どのような用語対訳を抽出しているのか調査した。図７に用語対訳候補の上位５，０００対に対する日本語側の構成要素数を示す。また、図８に出現頻度の変化を示す。図７において、縦軸が用語対訳の構成要素数、横軸が用語対訳のスコア順に並べた順位（ランク）を示す。また、図８において、縦軸が用語対訳の出現頻度、横軸が用語対訳のスコア順に並べた順位（ランク）を示す。また、図７、図８において、各点は１，０００位毎の平均値である。英語側の構成要素数は日本語側の性質とほぼ同じ性質を示したため省略する。図７、図８より、各スコアで性質の異なる用語対訳が上位に集中していることが分かった。Score'Fは高頻度で構成要素数が少ない用語対訳を抽出した。Score'Lによって抽出した用語対訳も高頻度であるが、構成要素数は多いものを抽出した。Score'Lは対応の強さを語対応の数だけ加算するため、構成要素数が多く、それぞれの対応が強い用語対訳が上位に集中する。ScoreCでは低頻度で構成要素数が多い用語対訳を抽出した。なお、構成要素数が１の用語はC-valueが０となるため、ScoreCによる用語対訳候補の順位では、構成要素数が２以上のものが集中している。ScoreCは両言語で独立にC-valueを計算した結果を統合しているので、日本語用語がどの英語用語に翻訳されるかについて考慮していない。しかし、対訳精度は高いことから、フレーズテーブルから用語対訳を抽出する本手法において、両言語側の用語が安定して出現し、構成要素数が２以上であるという制限が対訳精度に影響を与えることが分かった。
【０１０１】
次に、図９にScoreFで抽出され、Score'Fでは抽出されなかった用語対訳の例と、それぞれの尺度における順位を示す。括弧内は用語対訳の正誤判定である。１番目と２番目の例は、間違った用語対訳をScoreFによって抽出した例である。「リング/coloring」の正しい用語対訳は「カラーリング/coloring」である。このような間違った用語対訳に高いScoreFが与えているのは、用語対訳の部分文字列を考慮せずに出現頻度を数えているためである。「カラーリング/coloring」の例では、日本語用語が「カラー」と「リング」に分割された形態素解析結果となっている。「coloring」に対して「リング」が単体で出現することは少ないにもかかわらず、部分文字列として出現した場合を考慮していないので「リング/coloring」の出現頻度が高くなる。
【０１０２】
２番目の例については「side pocket」中の「side」と「サイドポケット」が同時に出現する頻度を数えているので、間違った用語対訳が抽出された。
【０１０３】
３番目の例はScoreFで正しく抽出されているが、Score'Fでは抽出できなかった例である。抽出失敗の理由は「スリーブ」と「sleeve」がそれぞれ部分文字列として多く出現し、十分な頻度が得られなかったためである。用語対訳候補内には「スリーブ」を部分文字列として含む日本語用語候補が３８個、「sleeve」を含む英語用語候補が４９個あった。「スリーブ/sleeve」の例のように、他の用語の部分文字列となりやすい用語で構成されている用語対訳は、用語対訳単体で出現する頻度が低くなる。Score'LについてもScoreLより精度が向上しているが、Score'F程大きな向上ではない。ScoreLの上位には構成要素数の多い用語対訳が集中するため、部分文字列となっている用語対訳が抽出されにくい。
【０１０４】
各スコアによって抽出する用語対訳の性質が異なることが分かった。そこで各スコアの性質を持った用語対訳を抽出することで、高品質の用語対訳が獲得できる。そのために各用語対訳候補についてScore'F,Score'L,ScoreCでの順位の平均値をScoreFLCと定義し、ScoreFLCを、各スコアを統合したスコアとして用語対訳の抽出を行った。評価結果は図６である。各スコアを統合したところ、スコアを統合しない場合で最も精度が高かったScore'LよりＡ評価が８対増え、各スコアを統合することで精度の高い用語対訳を抽出できることが分かった。
【０１０５】
以上、本実施の形態によれば、学習データや対訳辞書を必要とせずに、正しい用語対訳を抽出できる。また、本実施の形態によれば、正しい用語対訳を極めて精度高く自動抽出できる。
【０１０６】
なお、本実施の形態における処理は、ソフトウェアで実現しても良い。そして、このソフトウェアをソフトウェアダウンロード等により配布しても良い。また、このソフトウェアをＣＤ−ＲＯＭなどの記録媒体に記録して流布しても良い。なお、このことは、本明細書における他の実施の形態においても該当する。
【０１０７】
（実施の形態２）
本実施の形態において、スコア算出方法が実施の形態１で説明した対数尤度比のみを使用して、用語対訳を抽出する用語対訳抽出装置について説明する。
【０１０８】
図１０は、本実施の形態における用語対訳抽出装置２のブロック図である。用語対訳抽出装置２は、対訳コーパス１１、対訳データベース１２、品詞情報パターン格納部１３、対訳データベース生成部１４、対応情報取得部１５、対訳フレーズ取得部１６、用語対訳候補取得部１７、スコア算出部２８、および用語対訳蓄積部１９を具備する。
【０１０９】
スコア算出部２８は、出現文数取得手段１８１、対応文数取得手段１８２、用語出現数取得手段１８３、未対応文数取得手段１８４、およびスコア算出手段１８５を具備する。スコア算出部２８は、１以上の各用語対訳候補に対して、実施の形態１で説明した第一スコア（対数尤度比）のみを算出する。
【０１１０】
スコア算出部２８は、通常、ＭＰＵやメモリ等から実現され得る。スコア算出部２８の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１１１】
次に、用語対訳抽出装置２の動作について説明する。用語対訳抽出装置２の動作は、図４を用いて説明した用語対訳抽出装置１の動作と比較して、ステップＳ４０８のスコア算出処理のみが異なる。また、用語対訳抽出装置２のスコア算出処理は、図５のステップＳ５０１からＳ５０６を有し、最終的なスコアは、Ｓ５０６で取得される対数尤度比である。また、スコア算出部２８が算出する最終的なスコアは、Ｓ５０６で取得される対数尤度比を用いた、用語対訳候補の順位などでも良い。
【０１１２】
以上、本実施の形態によれば、学習データや対訳辞書を必要とせずに、正しい用語対訳を抽出できる。また、正しい用語対訳を極めて精度高く自動抽出できる。
【０１１３】
また、図１１は、本明細書で述べた用語対訳抽出装置１や用語対訳抽出装置２を実現するコンピュータの外観を示す。上述の実施の形態は、コンピュータハードウェア及びその上で実行されるコンピュータプログラムで実現され得る。図１１は、このコンピュータシステム３４０の概観図であり、図１２は、コンピュータシステム３４０の内部構成を示す図である。
【０１１４】
図１１において、コンピュータシステム３４０は、ＦＤドライブ３４１１、ＣＤ−ＲＯＭドライブ３４１２を含むコンピュータ３４１と、キーボード３４２と、マウス３４３と、モニタ３４４とを含む。
【０１１５】
図１２において、コンピュータ３４１は、ＦＤドライブ３４１１、ＣＤ−ＲＯＭドライブ３４１２に加えて、ＭＰＵ３４１３と、ＣＤ−ＲＯＭドライブ３４１２及びＦＤドライブ３４１１に接続されたバス３４１４と、ブートアッププログラム等のプログラムを記憶するためのＲＯＭ３４１５とに接続され、アプリケーションプログラムの命令を一時的に記憶するとともに一時記憶空間を提供するためのＲＡＭ３４１６と、アプリケーションプログラム、システムプログラム、及びデータを記憶するためのハードディスク３４１７とを含む。ここでは、図示しないが、コンピュータ３４１は、さらに、ＬＡＮへの接続を提供するネットワークカードを含んでも良い。
【０１１６】
コンピュータシステム３４０に、上述した実施の形態の用語対訳抽出装置等の機能を実行させるプログラムは、ＣＤ−ＲＯＭ３５０１、またはＦＤ３５０２に記憶されて、ＣＤ−ＲＯＭドライブ３４１２またはＦＤドライブ３４１１に挿入され、さらにハードディスク３４１７に転送されても良い。これに代えて、プログラムは、図示しないネットワークを介してコンピュータ３４１に送信され、ハードディスク３４１７に記憶されても良い。プログラムは実行の際にＲＡＭ３４１６にロードされる。プログラムは、ＣＤ−ＲＯＭ３５０１、ＦＤ３５０２またはネットワークから直接、ロードされても良い。
【０１１７】
プログラムは、コンピュータ３４１に、上述した実施の形態の用語対訳抽出装置等の機能を実行させるオペレーティングシステム（ＯＳ）、またはサードパーティープログラム等は、必ずしも含まなくても良い。プログラムは、制御された態様で適切な機能（モジュール）を呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいれば良い。コンピュータシステム３４０がどのように動作するかは周知であり、詳細な説明は省略する。
【０１１８】
また、上記各実施の形態において、各処理（各機能）は、単一の装置（システム）によって集中処理されることによって実現されてもよく、あるいは、複数の装置によって分散処理されることによって実現されてもよい。
【０１１９】
本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。
【産業上の利用可能性】
【０１２０】
以上のように、本発明にかかる用語対訳抽出装置は、学習データや対訳辞書を必要とせずに、正しい用語対訳を抽出できる、という効果を有し、用語対訳抽出装置等として有用である。
【符号の説明】
【０１２１】
１、２ 用語対訳抽出装置
１１ 対訳コーパス
１２ 対訳データベース
１３ 品詞情報パターン格納部
１４ 対訳データベース生成部
１５ 対応情報取得部
１６ 対訳フレーズ取得部
１７ 用語対訳候補取得部
１８、２８ スコア算出部
１９ 用語対訳蓄積部
２０ 用語対訳データベース
１８１ 出現文数取得手段
１８２ 対応文数取得手段
１８３ 用語出現数取得手段
１８４ 未対応文数取得手段
１８５ スコア算出手段
１８６ 第二スコア算出手段
１８７ 第三スコア算出手段
【特許請求の範囲】
【請求項１】
第一言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第一フレーズ情報と、前記第一言語のフレーズの第二言語の訳である第二言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第二フレーズ情報とを対応付けて有する１以上の対訳フレーズを格納し得る対訳データベースと、
１以上の品詞情報を有するパターンである１以上の品詞情報パターンを格納し得る品詞情報パターン格納部と、
前記対訳データベースから、前記１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得部と、
前記対訳フレーズ取得部が取得した１以上の対訳フレーズから、第一言語の用語と当該用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得部と、
２以上の異なる方法により、前記２以上の各用語対訳候補に対して、スコアを算出し、２以上のスコアを取得するスコア算出部と、
前記２以上のスコアを用いて、前記２以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積部とを具備する用語対訳抽出装置。
【請求項２】
第一言語の文と当該文の第二言語の訳文である第二言語の文とを対応付けて有する１以上の対訳文を格納し得る対訳コーパスと、
前記１以上の各対訳文が有する第一言語の文と第二言語の文とに対して、構造解析を行い、前記第一言語の文を構成する１以上の各用語と、前記第二言語の文を構成する１以上の各用語との対応に関する情報である対応情報を取得する対応情報取得部とをさらに具備し、
前記スコア算出部は、
前記対訳コーパスに格納されている１以上の対訳文から、前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現する対訳文の数である出現文数を取得する出現文数取得手段と、
前記対応情報取得部が取得した対応情報から、前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語とが対応する対訳文の数を取得する対訳文の数である対応文数を取得する対応文数取得手段と、
前記対応情報取得部が取得した対応情報が対応しないことを示す情報である場合、当該対応情報に対する用語対訳候補が有する対応しない用語が出現する文の数である用語出現数を、前記対訳コーパスから取得する用語出現数取得手段と、
前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現するが、対応しない対訳文の数である未対応文数を、前記対訳コーパスから取得する未対応文数取得手段と、
前記出現文数と前記用語出現数が大きいほどスコアが小さくなるように、かつ前記対応文数と前記未対応文数が大きいほどスコアが大きくなるように、スコアを算出するスコア算出手段とを具備し、
前記２以上の異なる方法のうちの一の方法は、前記出現文数取得手段と前記対応文数取得手段と前記用語出現数取得手段と前記未対応文数取得手段と前記スコア算出手段とを用いたスコアの算出方法である請求項１記載の用語対訳抽出装置。
【請求項３】
第一言語の文と当該文の第二言語の訳文である第二言語の文とを対応付けて有する１以上の対訳文を格納し得る対訳コーパスと、
第一言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第一フレーズ情報と、前記第一言語のフレーズの第二言語の訳である第二言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第二フレーズ情報とを対応付けて有する１以上の対訳フレーズを格納し得る対訳データベースと、
１以上の品詞情報を有するパターンである１以上の品詞情報パターンを格納し得る品詞情報パターン格納部と、
前記１以上の各対訳文が有する第一言語の文と第二言語の文とに対して、構造解析を行い、前記第一言語の文を構成する１以上の各用語と、前記第二言語の文を構成する１以上の各用語との対応に関する情報である対応情報を取得する対応情報取得部と、
前記１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得部と、
前記対訳フレーズ取得部が取得した１以上の対訳フレーズから、第一言語の用語と当該用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得部と、
前記１以上の各用語対訳候補に対して、スコアを算出するスコア算出部と、
前記スコア算出部が算出した前記１以上の各用語対訳候補の各スコアを用いて、前記１以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積部とを具備し、
をさらに具備し、
前記スコア算出部は、
前記対訳コーパスに格納されている１以上の対訳文から、前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現する対訳文の数である出現文数を取得する出現文数取得手段と、
前記対応情報取得部が取得した対応情報から、前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語とが対応する対訳文の数を取得する対訳文の数である対応文数を取得する対応文数取得手段と、
前記対応情報取得部が取得した対応情報が対応しないことを示す用語対訳候補が有する対応しない用語が出現する文の数である用語出現数を、前記対訳コーパスから取得する用語出現数取得手段と、
前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現するが、対応しない対訳文の数である未対応文数を、前記対訳コーパスから取得する未対応文数取得手段と、
前記出現文数と前記用語出現数が大きいほどスコアが小さくなるように、かつ前記対応文数と前記未対応文数が大きいほどスコアが大きくなるように、スコアを算出するスコア算出手段とを具備する用語対訳抽出装置。
【請求項４】
記憶媒体に、
第一言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第一フレーズ情報と、前記第一言語のフレーズの第二言語の訳である第二言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第二フレーズ情報とを対応付けて有する１以上の対訳フレーズと、
１以上の品詞情報を有するパターンである１以上の品詞情報パターンを格納しており、
対訳フレーズ取得部、用語対訳候補取得部、スコア算出部、および用語対訳蓄積部とにより実現される用語対訳抽出方法であって、
前記対訳フレーズ取得部が、前記記憶媒体から、前記１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得ステップと、
前記用語対訳候補取得部が、前記対訳フレーズ取得ステップで取得された１以上の対訳フレーズから、第一言語の用語と当該用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得ステップと、
前記スコア算出部が、２以上の異なる方法により、前記２以上の各用語対訳候補に対して、スコアを算出し、２以上のスコアを取得するスコア算出ステップと、
前記用語対訳蓄積部が、前記２以上のスコアを用いて、前記２以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積ステップとを具備する用語対訳抽出方法。
【請求項５】
記憶媒体に、
第一言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第一フレーズ情報と、前記第一言語のフレーズの第二言語の訳である第二言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第二フレーズ情報とを対応付けて有する１以上の対訳フレーズと、
１以上の品詞情報を有するパターンである１以上の品詞情報パターンを格納しており、
対訳フレーズ取得部、用語対訳候補取得部、スコア算出部、および用語対訳蓄積部とにより実現される用語対訳生産方法であって、
前記対訳フレーズ取得部が、前記記憶媒体から、前記１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得ステップと、
前記用語対訳候補取得部が、前記対訳フレーズ取得ステップで取得された１以上の対訳フレーズから、第一言語の用語と当該用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得ステップと、
前記スコア算出部が、２以上の異なる方法により、前記２以上の各用語対訳候補に対して、スコアを算出し、２以上のスコアを取得するスコア算出ステップと、
前記用語対訳蓄積部が、前記２以上のスコアを用いて、前記２以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積ステップとを具備する用語対訳辞書の生産方法。
【請求項６】
記憶媒体に、
第一言語の文と当該文の第二言語の訳文である第二言語の文とを対応付けて有する１以上の対訳文と、
第一言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第一フレーズ情報と、前記第一言語のフレーズの第二言語の訳である第二言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第二フレーズ情報とを対応付けて有する１以上の対訳フレーズと、
１以上の品詞情報を有するパターンである１以上の品詞情報パターンを格納しており、
対応情報取得部、対訳フレーズ取得部、用語対訳候補取得部、スコア算出部、および用語対訳蓄積部とにより実現される用語対訳生産方法であって、
前記対応情報取得部が、前記１以上の各対訳文が有する第一言語の文と第二言語の文とに対して、構造解析を行い、前記第一言語の文を構成する１以上の各用語と、前記第二言語の文を構成する１以上の各用語との対応に関する情報である対応情報を取得する対応情報取得ステップと、
前記対訳フレーズ取得部が、前記記憶媒体から、前記１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得ステップと、
前記用語対訳候補取得部が、前記対訳フレーズ取得ステップで取得された１以上の対訳フレーズから、第一言語の用語と当該用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得ステップと、
前記スコア算出部が、前記１以上の各用語対訳候補に対して、スコアを算出するスコア算出ステップと、
前記用語対訳蓄積部が、前記スコア算出ステップで算出された前記１以上の各用語対訳候補の各スコアを用いて、前記１以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積ステップとを具備し、
をさらに具備し、
前記スコア算出ステップは、
前記記憶媒体に格納されている１以上の対訳文から、前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現する対訳文の数である出現文数を取得する出現文数取得ステップと、
前記対応情報取得ステップで取得された対応情報から、前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語とが対応する対訳文の数を取得する対訳文の数である対応文数を取得する対応文数取得ステップと、
前記対応情報取得ステップで取得された対応情報が対応しないことを示す用語対訳候補が有する対応しない用語が出現する文の数である用語出現数を、前記記憶媒体から取得する用語出現数取得ステップと、
前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現するが、対応しない対訳文の数である未対応文数を、前記記憶媒体から取得する未対応文数取得ステップと、
前記出現文数と前記用語出現数が大きいほどスコアが小さくなるように、かつ前記対応文数と前記未対応文数が大きいほどスコアが大きくなるように、スコアを算出するスコア算出ステップとを具備する用語対訳辞書の生産方法。
【請求項１】
第一言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第一フレーズ情報と、前記第一言語のフレーズの第二言語の訳である第二言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第二フレーズ情報とを対応付けて有する１以上の対訳フレーズを格納し得る対訳データベースと、
１以上の品詞情報を有するパターンである１以上の品詞情報パターンを格納し得る品詞情報パターン格納部と、
前記対訳データベースから、前記１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得部と、
前記対訳フレーズ取得部が取得した１以上の対訳フレーズから、第一言語の用語と当該用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得部と、
２以上の異なる方法により、前記２以上の各用語対訳候補に対して、スコアを算出し、２以上のスコアを取得するスコア算出部と、
前記２以上のスコアを用いて、前記２以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積部とを具備する用語対訳抽出装置。
【請求項２】
第一言語の文と当該文の第二言語の訳文である第二言語の文とを対応付けて有する１以上の対訳文を格納し得る対訳コーパスと、
前記１以上の各対訳文が有する第一言語の文と第二言語の文とに対して、構造解析を行い、前記第一言語の文を構成する１以上の各用語と、前記第二言語の文を構成する１以上の各用語との対応に関する情報である対応情報を取得する対応情報取得部とをさらに具備し、
前記スコア算出部は、
前記対訳コーパスに格納されている１以上の対訳文から、前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現する対訳文の数である出現文数を取得する出現文数取得手段と、
前記対応情報取得部が取得した対応情報から、前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語とが対応する対訳文の数を取得する対訳文の数である対応文数を取得する対応文数取得手段と、
前記対応情報取得部が取得した対応情報が対応しないことを示す情報である場合、当該対応情報に対する用語対訳候補が有する対応しない用語が出現する文の数である用語出現数を、前記対訳コーパスから取得する用語出現数取得手段と、
前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現するが、対応しない対訳文の数である未対応文数を、前記対訳コーパスから取得する未対応文数取得手段と、
前記出現文数と前記用語出現数が大きいほどスコアが小さくなるように、かつ前記対応文数と前記未対応文数が大きいほどスコアが大きくなるように、スコアを算出するスコア算出手段とを具備し、
前記２以上の異なる方法のうちの一の方法は、前記出現文数取得手段と前記対応文数取得手段と前記用語出現数取得手段と前記未対応文数取得手段と前記スコア算出手段とを用いたスコアの算出方法である請求項１記載の用語対訳抽出装置。
【請求項３】
第一言語の文と当該文の第二言語の訳文である第二言語の文とを対応付けて有する１以上の対訳文を格納し得る対訳コーパスと、
第一言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第一フレーズ情報と、前記第一言語のフレーズの第二言語の訳である第二言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第二フレーズ情報とを対応付けて有する１以上の対訳フレーズを格納し得る対訳データベースと、
１以上の品詞情報を有するパターンである１以上の品詞情報パターンを格納し得る品詞情報パターン格納部と、
前記１以上の各対訳文が有する第一言語の文と第二言語の文とに対して、構造解析を行い、前記第一言語の文を構成する１以上の各用語と、前記第二言語の文を構成する１以上の各用語との対応に関する情報である対応情報を取得する対応情報取得部と、
前記１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得部と、
前記対訳フレーズ取得部が取得した１以上の対訳フレーズから、第一言語の用語と当該用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得部と、
前記１以上の各用語対訳候補に対して、スコアを算出するスコア算出部と、
前記スコア算出部が算出した前記１以上の各用語対訳候補の各スコアを用いて、前記１以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積部とを具備し、
をさらに具備し、
前記スコア算出部は、
前記対訳コーパスに格納されている１以上の対訳文から、前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現する対訳文の数である出現文数を取得する出現文数取得手段と、
前記対応情報取得部が取得した対応情報から、前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語とが対応する対訳文の数を取得する対訳文の数である対応文数を取得する対応文数取得手段と、
前記対応情報取得部が取得した対応情報が対応しないことを示す用語対訳候補が有する対応しない用語が出現する文の数である用語出現数を、前記対訳コーパスから取得する用語出現数取得手段と、
前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現するが、対応しない対訳文の数である未対応文数を、前記対訳コーパスから取得する未対応文数取得手段と、
前記出現文数と前記用語出現数が大きいほどスコアが小さくなるように、かつ前記対応文数と前記未対応文数が大きいほどスコアが大きくなるように、スコアを算出するスコア算出手段とを具備する用語対訳抽出装置。
【請求項４】
記憶媒体に、
第一言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第一フレーズ情報と、前記第一言語のフレーズの第二言語の訳である第二言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第二フレーズ情報とを対応付けて有する１以上の対訳フレーズと、
１以上の品詞情報を有するパターンである１以上の品詞情報パターンを格納しており、
対訳フレーズ取得部、用語対訳候補取得部、スコア算出部、および用語対訳蓄積部とにより実現される用語対訳抽出方法であって、
前記対訳フレーズ取得部が、前記記憶媒体から、前記１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得ステップと、
前記用語対訳候補取得部が、前記対訳フレーズ取得ステップで取得された１以上の対訳フレーズから、第一言語の用語と当該用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得ステップと、
前記スコア算出部が、２以上の異なる方法により、前記２以上の各用語対訳候補に対して、スコアを算出し、２以上のスコアを取得するスコア算出ステップと、
前記用語対訳蓄積部が、前記２以上のスコアを用いて、前記２以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積ステップとを具備する用語対訳抽出方法。
【請求項５】
記憶媒体に、
第一言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第一フレーズ情報と、前記第一言語のフレーズの第二言語の訳である第二言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第二フレーズ情報とを対応付けて有する１以上の対訳フレーズと、
１以上の品詞情報を有するパターンである１以上の品詞情報パターンを格納しており、
対訳フレーズ取得部、用語対訳候補取得部、スコア算出部、および用語対訳蓄積部とにより実現される用語対訳生産方法であって、
前記対訳フレーズ取得部が、前記記憶媒体から、前記１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得ステップと、
前記用語対訳候補取得部が、前記対訳フレーズ取得ステップで取得された１以上の対訳フレーズから、第一言語の用語と当該用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得ステップと、
前記スコア算出部が、２以上の異なる方法により、前記２以上の各用語対訳候補に対して、スコアを算出し、２以上のスコアを取得するスコア算出ステップと、
前記用語対訳蓄積部が、前記２以上のスコアを用いて、前記２以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積ステップとを具備する用語対訳辞書の生産方法。
【請求項６】
記憶媒体に、
第一言語の文と当該文の第二言語の訳文である第二言語の文とを対応付けて有する１以上の対訳文と、
第一言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第一フレーズ情報と、前記第一言語のフレーズの第二言語の訳である第二言語のフレーズと当該フレーズを構成する各用語の品詞情報とを有する第二フレーズ情報とを対応付けて有する１以上の対訳フレーズと、
１以上の品詞情報を有するパターンである１以上の品詞情報パターンを格納しており、
対応情報取得部、対訳フレーズ取得部、用語対訳候補取得部、スコア算出部、および用語対訳蓄積部とにより実現される用語対訳生産方法であって、
前記対応情報取得部が、前記１以上の各対訳文が有する第一言語の文と第二言語の文とに対して、構造解析を行い、前記第一言語の文を構成する１以上の各用語と、前記第二言語の文を構成する１以上の各用語との対応に関する情報である対応情報を取得する対応情報取得ステップと、
前記対訳フレーズ取得部が、前記記憶媒体から、前記１以上の品詞情報パターンに合致する１以上の対訳フレーズを取得する対訳フレーズ取得ステップと、
前記用語対訳候補取得部が、前記対訳フレーズ取得ステップで取得された１以上の対訳フレーズから、第一言語の用語と当該用語に対応する第二言語の用語の組の候補である１以上の用語対訳候補を取得する用語対訳候補取得ステップと、
前記スコア算出部が、前記１以上の各用語対訳候補に対して、スコアを算出するスコア算出ステップと、
前記用語対訳蓄積部が、前記スコア算出ステップで算出された前記１以上の各用語対訳候補の各スコアを用いて、前記１以上の用語対訳候補のうちの一部を選択して蓄積する用語対訳蓄積ステップとを具備し、
をさらに具備し、
前記スコア算出ステップは、
前記記憶媒体に格納されている１以上の対訳文から、前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現する対訳文の数である出現文数を取得する出現文数取得ステップと、
前記対応情報取得ステップで取得された対応情報から、前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語とが対応する対訳文の数を取得する対訳文の数である対応文数を取得する対応文数取得ステップと、
前記対応情報取得ステップで取得された対応情報が対応しないことを示す用語対訳候補が有する対応しない用語が出現する文の数である用語出現数を、前記記憶媒体から取得する用語出現数取得ステップと、
前記２以上の各用語対訳候補が有する第一言語の用語と第二言語の用語の両方が出現するが、対応しない対訳文の数である未対応文数を、前記記憶媒体から取得する未対応文数取得ステップと、
前記出現文数と前記用語出現数が大きいほどスコアが小さくなるように、かつ前記対応文数と前記未対応文数が大きいほどスコアが大きくなるように、スコアを算出するスコア算出ステップとを具備する用語対訳辞書の生産方法。
【図１】
【図４】
【図５】
【図６】
【図９】
【図１０】
【図１１】
【図１２】
【図２】
【図３】
【図７】
【図８】
【図４】
【図５】
【図６】
【図９】
【図１０】
【図１１】
【図１２】
【図２】
【図３】
【図７】
【図８】
【公開番号】特開２０１２−１７７９７２（Ｐ２０１２−１７７９７２Ａ）
【公開日】平成２４年９月１３日（２０１２．９．１３）
【国際特許分類】
【出願番号】特願２０１１−３９３３８（Ｐ２０１１−３９３３８）
【出願日】平成２３年２月２５日（２０１１．２．２５）
【出願人】（３０１０２２４７１）独立行政法人情報通信研究機構 (1,071)
【Ｆターム（参考）】
【公開日】平成２４年９月１３日（２０１２．９．１３）
【国際特許分類】
【出願日】平成２３年２月２５日（２０１１．２．２５）
【出願人】（３０１０２２４７１）独立行政法人情報通信研究機構 (1,071)
【Ｆターム（参考）】
[ Back to top ]