Subset (3)

corpus · 614 rows

Split (1)

test · 614 rows

_id stringlengths 9 9	text stringlengths 304 9.57k	title stringclasses 1 value
V14N03-09	インターネットが普及し，ユビキタス社会が浸透するなか，人間がコンピュータと対話する機会も増加する傾向にある．これまでの対話システムは言語情報のみを扱い，そのパラ言語情報を扱うことは少ないため，人間同士の対話と比較すると，コンピュータとの対話ではコンピュータが得る人間の情報は少ない．本研究では音声の言語表現の特徴と音響的特徴から推定可能な感情を検出するために，感情の程度による言語表現の特徴および音響的変化を分析し，コンピュータと人間とのインタラクションにおける人間の感情および態度表出を捉えることを目指す．それにより，両者の円滑なコミュニケーションを図ることを目的としている．将来の具体的応用対象として考えられる対話を想定し，コールセンターなどへの自動音声応答システムにおける認識性能に対する不満からくる「苛立ち」や，真意が伝わらないことに対する「腹立ち」の表現などに着目して，ユーザの内的状態をその発話の言語表現および音響的な特徴から推定する可能性について検討する．本報告では，感情表現を含む音声データの収録方法および感情情報を付与する主観評価法および言語表現・音響的特徴をパラメータとした決定木による「怒り」の感情の程度を推定する実験手法に関して述べ，今後の分析手法の指針について報告する．
V01N01-01	テキストや談話を理解するためには，{\bf文章構造}の理解，すなわち各文が他のどの文とどのような関係({\bf結束関係})でつながっているかを知る必要がある．文章構造に関する従来の多くの研究\cite[など]{GroszAndSidner1986,Hobbs1979,Hobbs1985,ZadroznyAndJensen1991}では，文章構造の認識に必要となる知識，またそれらの知識に基づく推論の問題に重点がおかれていた．しかしそのような知識からのアプローチには次のような問題があると考えられる．\begin{itemize}\item辞書やコーパスからの知識の自動獲得，あるいは人手による知識ベース構築の現状をみれば，量的/質的に十分な計算機用の知識が作成されることはしばらくの間期待できない．\item一方，オンラインテキストの急増にともない，文章処理の技術は非常に重要になってきている\cite{MUC-41992}．そのため，現在利用可能な知識の範囲でどのような処理が可能であるかをまず明らかにする必要がある．\item現在の自然言語処理のターゲットの中心である科学技術文では，文章構造理解の手がかりとなる情報が表層表現中に明示的に示されていることが多い．科学技術の専門的内容を伝えるためにはそのように明示的表現を用いることが必然的に必要であるといえる．\end{itemize}このような観点から，本論文では，表層表現中の種々の情報を用いることにより科学技術文の文章構造を自動的に推定する方法を示す．文章構造抽出のための重要な情報の一つは，多くの研究者が指摘しているように「なぜなら」，「たとえば」などの{\bf手がかり語}である\cite[など]{Cohen1984,GroszAndSidner1986,Reichman1985,Ono1989,Yamamoto1991}.しかし，それらだけで文章全体の構造を推定することは不可能であることから，我々はさらに2つの情報を取り出すことを考えた．そのひとつは同一/同義の語/句の出現であり，これによって{\bf主題連鎖}/{\bf焦点-主題連鎖}の関係\cite{PolanyiAndScha1984}を推定することができる．もうひとつは2文間の類似性で，類似性の高い2文を見つけることによってそれらの間の{\bf並列/対比}の関係を推定することができる．これらの3つの情報を組み合わせて利用することにより科学技術文の文章構造のかなりの部分が自動推定可能であることを示す．\begin{table}\caption{結束関係}\vspace{0.5cm}\begin{center}\begin{tabular}{lp{11cm}}\hline\hline{\bf並列}&{\ttSi}と{\ttSj}が同一または同様の事象，状態などについて述べられている(例:付録\ref{sec:text}のS4-3とS4-6)．\\{\bf対比}&{\ttSi}と{\ttSj}が対比関係にある事象，状態などについて述べられている(例:付録\ref{sec:text}のS3-3とS3-4)．\\{\bf主題連鎖}&{\ttSi}と{\ttSj}が同一の主題について述べられている(例:付録\ref{sec:text}のS1-13とS1-19).\\{\bf焦点-主題連鎖}&{\ttSi}中の主題以外の要素(焦点要素)がSjにおいて主題となっている(例:付録\ref{sec:text}のS1-12とS1-13).\\{\bf詳細化}&{\ttSi}で述べられた事象，状態，またはその要素についての詳しい内容が{\ttSj}で述べられている(例:付録\ref{sec:text}のS1-16とS1-17).\\{\bf理由}&{\ttSi}の理由が{\ttSj}で述べられている(例:付録\ref{sec:text}のS1-13とS1-14).\\{\bf原因-結果}&{\ttSi}の結果{\ttSj}となる(例:付録\ref{sec:text}のS1-17とS1-18).\\{\bf変化}&{\ttSi}の状態が{\ttSj}のものに(通常時間経過に伴い)変化する(例:付録\ref{sec:text}のS1-11とS1-12).\\{\bf例提示}&{\ttSi}で述べられた事象，状態の具体例の項目が{\ttSj}で提示される(例:付録\ref{sec:text}のS1-13とS1-16).\\{\bf例説明}&{\ttSi}で述べられた事象，状態の具体例の説明が{\ttSj}で行なわれる，\\{\bf質問-応答}&{\ttSi}の質問に対して{\ttSj}で答が示される(例:付録\ref{sec:text}のS4-1とS4-2).\\\hline\end{tabular}\\({\ttSi}はある結束関係で接続される2文のうちの前の文，{\ttSj}は後ろの文を指す)\end{center}\label{tab:CRelations}\end{table}{\unitlength=1mm\begin{figure}\begin{center}\begin{picture}(140,120)\put(5,5){\framebox(130,110){ps/ds.ps}}\end{picture}\end{center}\caption{文章構造の一例}\label{fig:DSExam}\end{figure}}
V29N03-05	自動要約技術は，要約作成時のアプローチによって抽出型と生成型の2種類の手法に分けられる．抽出型自動要約は，入力文書中の重要と思われる文を識別・抽出し，抽出した文を結合させたものを要約とする方法である．一方，生成型自動要約は，入力文書を中間表現に変換し，その中間表現を基に要約の文章を一から生成する方法である．本研究では，生成型の自動要約モデルの技術に着目する．生成型自動要約モデルでは，入力文書中にない単語も利用することができるため，自然な要約を生成することができ，ニュース記事や論文などの自動要約に役立つ．%2生成型自動要約や機械翻訳などの系列変換タスクでは，入力テキストから「文と単語」・「フレーズと単語」・「単語と文字」などの階層構造を捉えることで要約および翻訳精度の改善を実現している．機械翻訳において，\citeA{Multi-Granu}は，Transformer\cite{Transformer}に基づくニューラル機械翻訳モデルにおいて，単語とフレーズの関係を考慮するMulti-GranularitySelf-Attention(MG-SA)を提案している．MG-SAは，入力テキストを複数の粒度（単語やフレーズ）に分解し，それぞれの粒度をMulti-headSelf-AttentionNetworks(\textsc{San}s)の各ヘッドに割り当てる．このMG-SAにより，単語間だけでなく単語とフレーズ間の相互作用をモデルに組み込むことが可能となる．また，自動要約において，HierarchicalNeuralAutoencoder\cite{Hierarchical_model}やHIBERT\cite{HIBERT}では，エンコーダやデコーダを単語および文レベルに階層化することで，単語と文の階層構造を考慮している．これらのモデルでは，入力テキストに対し単語単位での処理に加え文単位でも処理することで，文と単語間の関係性を考慮している．%3近年，生成型自動要約は，ニューラルネットワークに基づくエンコーダ・デコーダモデルが出現したことで，要約の品質が大きく向上した\cite{AbsSumBase}．その中でも，高い精度を報告しているモデルの多くが事前学習\cite{BERTSUM,T5,BART}を導入している．既存の事前学習モデルの中でも，BARTモデル\cite{BART}は高い精度での自動要約を可能にしている．BARTモデルはTransformerモデル\cite{Transformer}をベースとした事前学習モデルで，5つの事前学習法による実験を行っている．BARTモデルは高性能なモデルだが，要約生成時に文書の階層構造をとらえる構造にはなっておらず，文と単語間の関係性が組み込まれていない．よって，BARTモデルにおいても文レベルの情報を捉えることで，さらなる精度向上が見込める．%4そこで本研究では，MG-SAの概念をBARTモデルに適用し，文と単語の階層的な関係を考慮した要約を可能とする手法として，Hierarchical-BART(Hie-BART)を提案する．具体的には，入力文書を単語レベルと文レベルの情報に分割し，BARTにおけるエンコーダの\textsc{San}s層では，単語レベルの関連を計算するだけではなく，一部のヘッドにおいて文レベルの関連を計算する．そして，単語レベルと文レベルのマルチヘッドの出力を結合させることで，単語レベルと文レベルの双方を考慮した要約生成を行う．ここで，MG-SAはフレーズ単位での処理を行うのに対し，Hie-BARTでは文単位で処理を行う．本研究では，自動要約における単語と文の階層構造を利用した従来研究に基づいて応用するため，フレーズ単位ではなく文単位で処理を行う．%5実験の結果，BARTに比べ提案手法では，ROUGE-L\cite{ROUGE}のF値が，CNN/DailyMailデータセットでは0.1ポイント改善することを確認した．また，分析の結果，マルチヘッドにおいて，文レベルのヘッドを多く含むよりも，単語レベルのヘッドを多く含む方がより精度の高い要約を生成することが確認できた．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
V24N04-04	\label{sec-introduction}さまざまな種類のテキストや，音声認識結果が機械翻訳されるようになってきている．しかし，すべてのドメインのデータにおいて，適切に翻訳できる機械翻訳器の実現はいまだ困難であり，翻訳対象ドメインを絞りこむ必要がある．対象ドメインの翻訳品質を向上させるには，学習データ（対訳文）を大量に収集し，翻訳器を訓練するのが確実である．しかし，多数のドメインについて，対訳文を大量に収集することはコスト的に困難であるため，他のドメインの学習データを用いて対象ドメインの翻訳品質を向上させるドメイン適応技術が研究されている\cite{foster-kuhn:2007:WMT,foster-goutte-kuhn:2010:EMNLP,axelrod-he-gao:2011:EMNLP,Bisazza:SMTAdaptation2011,sennrich:2012:EACL2012,sennrich-schwenk-aransa:2013:ACL2013}．このドメイン適応は，機械翻訳を実用に供するときには非常に重要な技術である．本稿では，複数ドメインを前提とした，統計翻訳の適応方式を提案する．本稿の提案方式は，複数のモデルを対数線形補間で組み合わせる方法である．シンプルな方法であるが，機械学習分野のドメイン適応方法である素性空間拡張法\cite{daumeiii:2007:ACLMain}の考え方を流用することで，複数ドメインの利点を活かす．具体的には，以下の2方式の提案を行う．\begin{enumerate}\item複数ドメインの同時最適化を行う方法．この場合，拡張された素性空間に対して，マルチドメイン対応に変更した最適化器で同時最適化を行う．\item複数ドメインを一つ一つ個別に最適化する方法．この場合，素性空間を制限し，通常の対数線形モデルとして扱う．既存の翻訳システムへの改造が少なくても実現できる．\end{enumerate}いずれの方法も，さまざまなドメインで未知語が少ないコーパス結合モデルと，ドメインを限定した際に翻訳品質がよい単独ドメインモデルを併用する．さらに，複数モデル組み合わせ時のハイパーパラメータをチューニングする．素性空間拡張法を機械翻訳に適用した例には，\citeA{Clark:SMTAdaptation2012}がある．これは，翻訳文の尤度の算出に用いられる素性ベクトルの重みだけを適応させていて，素性関数は適応させていない．本稿の新規性は，コーパス結合モデルと単独ドメインモデルを使って，素性関数を適応させていること，および，複数モデル組み合わせ時のハイパーパラメータを適切に設定することの2点である．モデルの選択と設定を適切に行うことによって，最先端のドメイン適応と同等以上の精度が出せることを示す．なお，本稿では，事前並べ替えを使ったフレーズベース統計翻訳方式(PBSMT)\cite{koehn-och-marcu:2003:HLTNAACL,koehn-EtAl:2007:PosterDemo}を対象とする．以下，第\ref{sec-related-work}節では，統計翻訳のドメイン適応に関する関連研究を述べる．第\ref{sec-proposed-method}節では，提案方式を詳細に説明する．第\ref{sec-experiments}節では，実験を通じて本方式の特徴を議論し，第\ref{sec-conclusion}節でまとめる．
V31N02-03	label{sec:intro}近年，自然言語処理やその関連分野において，GPT-3\cite{Brown-2020}をはじめとする大規模言語モデルの活用が広がっている．これらの大規模言語モデルは，巨大なニューラルネットワークを大量のテキストコーパス上で長時間訓練したものであり，プロンプトと呼ばれる入出力例を含む指示に従って様々なタスクに適応できる．このような大規模言語モデルの中でも特にChatGPT\footnote{\url{https://chat.openai.com/}}は，多くのタスクと言語において高い性能を発揮するため，2022年11月の公開当初から大きな注目を集めている．ChatGPTはGPT-3\cite{Brown-2020}およびGPT-4\cite{openai-2023}の大規模言語モデルに基づいているため，流暢な言語生成能力を持つことが知られている．英語においては，機械翻訳\cite{jiao-2023}，自動要約\cite{yang-2023}，テキスト平易化\cite{feng-2023}などの系列変換タスクをはじめとして，様々なタスクにおけるChatGPTの性能評価\cite{bang-2023}の結果が報告されている．ChatGPTによる言語生成は，英語だけでなく日本語においても非常に流暢であると感じられる．しかし，ChatGPTの日本語生成能力に関する定量的な調査は，現時点ではまだ充分に行われていない．本研究では，ChatGPTの日本語生成能力を自動評価および人手評価する．具体的には，英語文から日本語文への機械翻訳，日本語文章の自動要約，日本語文のテキスト平易化の3種類の系列変換タスクにおいて，ChatGPTの日本語生成能力を評価する．実験の結果，自動評価においては既存の教師ありモデルの方がChatGPTよりも高い性能を示したが，人手評価においてはChatGPTの方が高く評価される傾向があった．詳細な分析の結果，ChatGPTは全体的には高品質なテキストを生成できるものの，各タスクにおける詳細な要請に応えられていないことが明らかになった．具体的には，機械翻訳タスクにおいては固有名詞などの語彙選択の誤り，自動要約タスクにおいては冗長な出力，テキスト平易化タスクにおいては過度に積極的な編集をしている事例が見られた．そのため，比較的制約の緩い用途においてはChatGPTの活用が有望であり，細かな制御を必要とする用途では従来の教師ありモデルを用いるという，用途に合わせた使い分けが重要であると言える．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
V31N03-11	社会の少子高齢化進行に伴い不足する労働人口を補うため，産業界だけでなく，介護といった家庭における支援においてもロボットの活用が進められている\cite{Toyota-ARSO2013}．このような家庭における汎用生活支援ロボットは，あらかじめ決められた作業を行う産業用ロボットとは異なり，人間と対話などの言語を用いたインタラクションにより協働する能力が求められる\cite{taniguchi-2019-survey}．人間との共同作業を伴う対話においては物体への参照表現が頻出する．例えば他人に料理を手伝ってもらう場面では，「まな板の上の人参を切っておいて」や「お皿を運んで」など，材料や食器が頻繁に参照される．ロボットがこのような参照表現を理解し適切な行動を選択するためには，材料や食器のテキスト上の意味を理解するだけでは不十分であり，実世界において参照している「人参」や「お皿」の実体を知る必要がある．テキスト中のメンション（mention,参照表現）が参照している実体を視覚情報，特に画像中の物体矩形の形で特定するタスクはフレーズグラウンディング\cite{kamath2021mdetr,gupta2020contrastive}として知られる．対話テキストにおけるフレーズグラウンディングを扱ったデータセットとしては，SIMMC2.1\cite{kottur-etal-2021-simmc,kottur-moon-2023-overview}が挙げられる．SIMMC2.1は，ユーザとアシスタントを想定した2者の対話形式のテキストと，対話場面に対応するCG画像からなるデータセットである．テキスト中のメンションには，対応する画像中の物体矩形が付与されている．SIMMC2.1はCG画像を利用することで大規模なデータ作成を可能とした．しかし一方で，実世界での活動における物体の移動や操作およびそれに伴う視覚的変化が表現されておらず，実世界への適用には限界がある．例えば，コップに入っている液体が水かスポーツドリンクかを判断するためには1枚の画像だけでは不十分であり，その液体がどのように注がれたかといった物体操作を含む視覚的文脈が必要である．加えて，SIMMC2.1には直接的な参照関係しか含まれていない．直接的な参照関係とは，テキスト中に出現するメンションとそれが直接指し示す物体の関係である．例えば，「テーブル」というメンションとそれが指す物体としてのテーブルの関係である．一方で，テキストの中には「テーブル」という表現が現れず，代わりに「置いといて」といったメンションが間接的にテーブルを参照する場合がある．本研究ではこれをテキスト間におけるゼロ照応\cite{sasano-etal-2008-fully}になぞらえてゼロ参照とよぶ．特に日本語では，主語や目的語が省略されることが多いため，テキストと物体間にこのようなゼロ参照の関係が頻出する．実世界参照解析のデータセットでは，こうしたゼロ参照が起こるケースの考慮も欠かせない．こうした課題を踏まえ，本研究では実世界での物体操作を伴う対話においてゼロ参照も総合的に扱うマルチモーダル参照解析を提案し，そのためのデータセットJ-CRe3\footnote{JapaneseConversationDatasetforReal-worldReferenceResolution}を構築する．本データセットは，2者の実世界における対話シーンにおいて1人称視点動画と対話音声を収録し，音声の書き起こしテキストと動画フレームに対して種々の参照関係を付与したものである．家庭における支援ロボットへの応用を考え，対話参与者として主人とそのお手伝いロボット役2者の対話が収録されている．1人称視点動画はロボット役の話者のものである．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%fig.1\begin{figure}[b]\begin{center}\includegraphics{31-3ia10f1.pdf}\end{center}\hangcaption{\oursの例．\oursには動画フレームと発話書き起こしテキストに対して，物体矩形，テキスト間照応関係，テキスト・物体間参照関係が付与されている．物体矩形には物体のクラス名とインスタンスIDが付随する．テキスト・物体間参照関係は，メンションが物体を直接指し示す直接的参照関係（図中「=」と表記）と，メンションと物体が述語とその項といった関係で間接的に結びつく間接的参照関係（図中「ガ」「ヲ」「ニ」と表記）に分類される．例えば，「スポーツドリンク」は物体矩形「bottle\_1」と直接的参照関係を持ち，「置いといて」は物体矩形「table\_2」とニ格の間接的参照関係を持つ．}\label{fig:dataset-overview}\end{figure}%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%構築したデータセットの具体例を図~\ref{fig:dataset-overview}に示す．1人称視点動画から抽出した画像系列には発話中に参照された物体の物体矩形が付与されている（図~\ref{fig:dataset-overview}左）．物体矩形には物体のクラス名とインスタンスIDが付与されている．対話に含まれるそれぞれの発話はテキストとして書き起こされ，メンション間の種々の意味的関係（\ref{sec:textual-reference-resolution}節，\ref{sec:textual-reference-annotation}節参照）が付与されている（図~\ref{fig:dataset-overview}右）．最後に，発話書き起こしテキスト中の各メンションと動画フレーム中の物体矩形の間に，直接的（図中「=」の関係）および間接的（図中「ガ」「ヲ」「ニ」の関係）参照関係が付与されている．タスクの提案とデータセットの構築に合わせて，提案タスクがこれまでに行われてきたアプローチを統合することでどの程度解ける問題であるかを評価するための実験的なモデルを構築した．既存のモデルやデータセットを効果的に活用するため，提案タスクをテキスト間照応解析，物体検出，テキスト・物体間参照解析の3つのサブタスクに分割した．実験結果から，テキスト間照応解析は既存のモノローグデータセットと同程度の精度（F値約0.7）を達成できることが示された．一方で，物体検出およびテキスト・物体間参照解析は非常に困難であり（Recall@1約0.5），大きな改善の余地があることが示された．本研究で構築したデータセットは\url{https://github.com/riken-grp/J-CRe3}に公開した．実験に使用したソースコードやモデルの重みは\url{https://github.com/riken-grp/multimodal-reference}に公開した．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%table1\begin{table}[b]\input{10table01.tex}%\hangcaption{メンションと物体間の関係が付与されたデータセットの比較．いずれのデータセットにおいても，物体は画像あるいは一人称動画中の物体矩形として与えられる．}\label{tab:dataset-comparison}\end{table}%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
V06N02-05	自然で自発的な発話を対象とする音声翻訳ないし音声対話システムの構築を目指している．読み上げ文を対象とする音声認識研究においては文が処理単位となっている．また，従来の音声翻訳ないし音声対話システムへの入力は，文節区切りのようなゆっくり丁寧に発話された文を単位とする音声であった\cite{Morimoto96}．ここで，音声翻訳システムや音声対話システム等の音声認識応用システムへの入力となる機械的に自動処理可能な単位を「発話単位」と呼ぶことにすると，自然で自発的な発話を対象とする音声翻訳ないし音声対話システムへの入力としての発話単位は文に限定できない．一方，言語翻訳処理における処理単位は文である．書き言葉を対象とする自然言語処理システムにおける処理単位も一般に文である．話し言葉を対象とする言語翻訳処理における処理単位も文である\cite{Furuse97}．音声対話システムにおける問題解決器のための解釈の処理単位も暗黙の内に文ないし文相当のものを想定していると考えられる．ところで，本稿では文の定義の議論はしない．例えば，文献\cite{Masuoka92}等に文に関する説明がある．また，話し言葉における文は，無音と韻律に代表される表層のレベル，構造のレベル，意味のレベルで特徴付けられると言われるが，計算機処理から見て十分な知見は得られていない\cite{Ishizaki96}．そこで，本稿では文という術語は使わず，翻訳や解釈のための自然言語処理単位という観点から「言語処理単位」と呼ぶことにする．まず，{\bf2}で一つの発話を複数の言語処理単位に分割したり，複数の発話をまとめて一つの言語処理単位に接合する必要があることを，通訳者を介した会話音声データを使って示す．次に，{\bf3}でポーズと細分化された品詞の$N$-gramを使って，発話単位から言語処理単位に変換できることを実験により示す．最後に{\bf4}で全体をまとめ，今後の展望を述べる．
V11N02-05	\label{sec:intro}現状の機械翻訳システムによる翻訳(以降，MT訳と呼ぶ)は，品質の点で人間による翻訳(人間訳)よりも劣り，理解しにくいことが多い．理解しやすい翻訳を出力できるようにシステムを高度化するためには，まず，MT訳と人間訳を比較分析し，両者の間にどのような違いがあるのかを把握しておく必要がある．このような認識から，文献\cite{Yoshimi03}では，英日機械翻訳システムを対象として，英文一文に対する訳文の数，訳文の長さ，訳文に含まれる連体修飾節の数，体言と用言の分布などについて人間訳とMT訳の比較分析を行なっている．また，文献\cite{Yoshimi04}では，係り先未決定文節数\footnote{文を構成するある文節における係り先未決定文節数とは，文を文頭から順に読んでいくとき，その文節を読んだ時点で係り先が決まっていない文節の数である\cite{Murata99}．}の観点から人間訳とMT訳における構文的な複雑さを比較している．しかし，文章の理解しにくさの要因は多種多様であり，また互いに複雑に絡み合っていると考えられるため，比較分析は，上記のような観点からだけでなく，様々な観点から行なう必要がある\footnote{文献\cite{Nakamura93}には，作家の文体を比較するための言語分析の着眼点として，文構成，語法，語彙，表記，修辞など多岐にわたる項目が挙げられている．}．本研究では，上記の先行研究を踏まえて，英文ニュース記事に対する人間訳とMT訳を，そこで使用されている表現の馴染みの度合いの観点から計量的に比較分析する．MT訳の理解しにくさの原因の一つとして，馴染みの薄い表現が多く使われていることがあると考えられる．このような作業仮説を設けた場合，人間訳とMT訳の間で理解しにくさに差があるかどうかを明らかにする．市販されているある機械翻訳システムで次の文(E\ref{SENT:sample})を翻訳すると，文(M\ref{SENT:sample})のような訳文が得られる．これに対して，人間による翻訳は文(H\ref{SENT:sample})のようになる．\begin{SENT2}\sentEThethrill-seekerfloatedtotheground.\sentHその冒険者は地上に舞い降りました。\sentMスリル‐捜索者は、地面に浮動した。\label{SENT:sample}\end{SENT2}文(M\ref{SENT:sample})は文(H\ref{SENT:sample})に比べて理解しにくい．その原因は次のような点にあると考えられる．\begin{enumerate}\item``thrill-seeker''の訳が文(H\ref{SENT:sample})では「冒険者」となっているが，文(M\ref{SENT:sample})では「スリル-捜索者」となっている．「スリル-捜索者」は，「冒険者」に比べて馴染みの薄い表現である．\item``float''が文(H\ref{SENT:sample})では「舞い降りる」と訳されているのに対して，文(M\ref{SENT:sample})では「浮動する」と訳されている．「浮動する」は，「舞い降りる」に比べて馴染みの薄い表現である．\end{enumerate}馴染みの薄い表現としては，文(M\ref{SENT:sample})における「スリル-捜索者」のような名詞や「浮動する」のような動詞など様々なものがあるが，本稿では動詞を対象とする．そして，人間訳で使用されている動詞の馴染み度の分布と，MT訳で使用されている動詞の馴染み度の分布を比較する.馴染み度の測定には，NTTデータベースシリーズ「日本語の語彙特性」の単語親密度データベース\cite{Amano99}を利用する．文献\cite{Takahashi91}では，(1)形容動詞化接尾辞「性」や「的」などを伴う語，(2)比較対象が省略された形容詞，(3)機械翻訳システムの辞書において「抽象物で，かつ人が作り出した知的概念」というラベルが付与されている語を抽象語句と呼び，「抽象語句密度は理解しにくさに比例する」という仮説が示されている．この仮説と本稿での仮説は関連性が高いと考えられる．ただし，本稿では，特に抽象語句という制限を設けず，単語親密度データベースを用いて表現の馴染み度を一般的に測定し，仮説の検証を行なう．なお，特にMT訳には誤訳の問題があるが，本研究は，翻訳の評価尺度として忠実度と理解容易性\cite{Nagao85}を考えた場合，後者について，MT訳が理解しにくい原因がどこにあるのかを人間訳とMT訳を比較することによって明らかにしていくものである．
V22N05-02	2000年以降の自然言語処理(NLP)の発展の一翼を担ったのはWorldWideWeb（以降，Webとする）である．Webを大規模テキストコーパスと見なし，そこから知識や統計量を抽出することで，形態素解析~\cite{Kaji:2009,sato2015mecabipadicneologd}，構文解析~\cite{Kawahara:05}，固有表現抽出~\cite{Kazama:07}，述語項構造解析~\cite{Komachi:10,Sasano:10}，機械翻訳~\cite{Munteanu:06}など，様々なタスクで精度の向上が報告されている．これらは，WebがNLPを高度化した事例と言える．同時に，誰もが発信できるメディアという特性を活かし，Webならではの新しい研究分野も形成された．評判情報抽出~\cite{Pang:2002}がその代表例である．さらに，近年では，TwitterやFacebookなどのソーシャルメディアが爆発的に普及したことで，自然言語処理技術をWebデータに応用し，人間や社会をWebを通して「知ろう」とする試みにも関心が集まっている．ソーシャルメディアのデータには，(1)大規模，(2)即時性，(3)個人の経験や主観に基づく情報など，これまでの言語データには見られなかった特徴がある．例えば，「熱が出たので病院で検査をしてもらったらインフルエンザA型だった」という投稿から，この投稿時点（即時性）で発言者は「インフルエンザに罹った」という個人の経験を抽出し，大規模な投稿の中からこのような情報を集約できれば，インフルエンザの流行状況を調べることができる．このように，NLPでWeb上の情報をセンシングするという研究は，地震検知~\cite{Sakaki:10}，疾病サーベイランス~\cite{Culotta:2010}を初めとして，選挙結果予測，株価予測など応用領域が広がっている．大規模なウェブデータに対して自然言語処理技術を適用し，社会の動向を迅速かつ大規模に把握しようという取り組みは，対象とするデータの性質に強く依拠する．そのため，より一般的な他の自然言語処理課題に転用できる知見や要素技術を抽出することが難しい．そこで，ProjectNextNLP\footnote{https://sites.google.com/site/projectnextnlp/}ではNLPのWeb応用タスク(WebNLP)を立ち上げ，次のゴールの達成に向けて研究・議論を行った．\begin{enumerate}\itemソーシャルメディア上のテキストの蓄積を自然言語処理の方法論で分析し，人々の行動，意見，感情，状況を把握しようとするとき，現状の自然言語処理技術が抱えている問題を認識すること\item応用事例（例えば疾患状況把握）の誤り事例の分析から，自然言語処理で解くべき一般的な（複数の応用事例にまたがって適用できる）課題を整理すること．ある応用事例の解析精度を向上させるには，その応用における個別の事例・言語現象に対応することが近道かもしれない．しかし，本研究では複数の応用事例に適用できる課題を見出し，その課題を新しいタスクとして切り出すことで，ソーシャルメディア応用の解析技術のモジュール化を目指す．\item(2)で見出した個別の課題に対して，最先端の自然言語処理技術を適用し，新しいタスクに取り組むことで，自然言語処理のソーシャルメディア応用に関する基盤技術を発展させること\end{enumerate}本論文では，NLPによるソーシャルリスニングを実用化した事例の1つである，ツイートからインフルエンザや風邪などの疾患・症状を認識するタスク（第\ref{sec:used-corpus}章）を題材に，現状の自然言語処理技術の問題点を検討する．第\ref{sec:analysis}章では，既存手法の誤りを分析・体系化し，この結果から事実性の解析，状態を保有する主体の判定が重要かつ一般的な課題として切り出せることを説明する．第\ref{sec:factuality}章では，事実性解析の本タスクへの貢献を実験的に調査し，その分析から事実性解析の課題を議論する．第\ref{sec:subject}章では，疾患・症状を保有する主体を同定するサブタスクに対する取り組みを紹介する．さらに第\ref{sec:factandsub}章では，事実性解析と主体解析を組み合わせた結果を示す．その後，第\ref{sec:relatedworks}章で関連研究を紹介し，最後に，第\ref{sec:conclusion}章で本論文の結論を述べる．
V21N01-04	本稿では語義曖昧性解消(WordSenseDisambiguation,WSD)をタスクとした領域適応の問題が共変量シフトの問題と見なせることを示す．そして共変量シフトの解法である確率密度比を重みにしたパラメータ学習により，WSDの領域適応の解決を図る．共変量シフトの解法では確率密度比の算出が鍵となるが，ここではNaiveBayesで利用されるモデルを利用した簡易な算出法を試みた．そして素性空間拡張法により拡張されたデータに対して，共変量シフトの解法を行う．この手法を本稿の提案手法とする．自然言語処理の多くのタスクにおいて帰納学習手法が利用される．そこではコーパス$S$からタスクに応じた訓練データを作成し，その訓練データから分類器を学習する．そしてこの分類器を利用することで当初のタスクを解決する．このとき実際のタスクとなるデータはコーパス$S$とは領域が異なるコーパス$T$のものであることがしばしば起こる．この場合，コーパス$S$（ソース領域）から学習された分類器では，コーパス$T$（ターゲット領域）のデータを精度良く解析することができない問題が生じる．これが領域適応の問題であり\footnote{領域適応は機械学習の分野では転移学習\cite{kamishima}の一種と見なされている．}，近年活発に研究が行われている\cite{da-book}．WSDは文$\boldsymbol{x}$内の多義語$w$の語義$c\inC$を識別する問題である．$P(c\|\boldsymbol{x})$を文$\boldsymbol{x}$内の単語$w$の語義が$c$である確率とすると，確率統計的には$\arg\max_{c\inC}P(c\|\boldsymbol{x})$を解く問題といえる．例えば単語$w=$「ボタン」には少なくとも$c_1:$服のボタン，$c_2:$スイッチのボタン，$c_3:$花のボタン（牡丹），の3つの語義がある．そして文$\boldsymbol{x}=$「シャツのボタンが取れた」が与えられたときに，文中の「ボタン」が$C=\{c_1,c_2,c_3\}$内のどれかを識別する．直接的には教師付き学習手法を用いて$P(c\|\boldsymbol{x})$を推定して解くことになる．WSDの領域適応の問題は，前述したように，教師付き学習手法を利用する際に学習もとのソース領域のコーパス$S$と，分類器の適用先であるターゲット領域のコーパス$T$が異なる問題である．領域適応ではソース領域$S$から$S$上の条件付き分布$P_S(c\|\boldsymbol{x})$は学習できるという設定なので，$P_S(c\|\boldsymbol{x})$やその他の情報を利用して，ターゲット領域$T$上の条件付き分布$P_T(c\|\boldsymbol{x})$を推定できれば良い．ここで「シャツのボタンが取れた」という文中の「ボタン」の語義は，この文がどのような領域のコーパスに現れても変化するとは考えづらい．つまり$P_T(c\|\boldsymbol{x})$は領域に依存していないため，$P_S(c\|\boldsymbol{x})=P_T(c\|\boldsymbol{x})$が成立していると考えられる．今$P_S(c\|\boldsymbol{x})$は推定できるので，$P_S(c\|\boldsymbol{x})=P_T(c\|\boldsymbol{x})$が成立していれば，$P_T(c\|\boldsymbol{x})$を推定する必要はないように見える．ただしソース領域だけを使って推定した$P_S(c\|\boldsymbol{x})$では，実際の識別精度は低い場合が多い．それは$P_S(\boldsymbol{x})\neP_T(\boldsymbol{x})$から生じている．$P_S(c\|\boldsymbol{x})=P_T(c\|\boldsymbol{x})$だが$P_S(\boldsymbol{x})\neP_T(\boldsymbol{x})$という仮定の下で，$P_T(c\|\boldsymbol{x})$を推定する問題は共変量シフトの問題\cite{shimodaira2000improving,sugiyama-2006-09-05,sugiyama-book}である．本稿ではWSDの領域適応の問題を共変量シフトの問題として捉え，共変量シフトの解法を利用してWSDの領域適応を解決することを試みる．訓練データを$D=\{(\boldsymbol{x_i},c_i)\}_{i=1}^N$とする．共変量シフトの標準的な解法では$P_T(c\|\boldsymbol{x})$に確率モデル$P(c\|\boldsymbol{x};\boldsymbol{\theta})$を設定し，次に確率密度比$r(\boldsymbol{x_i})=P_T(\boldsymbol{x_i})/P_S(\boldsymbol{x_i})$を重みにした以下の対数尤度を最大にする$\boldsymbol{\theta}$を求めることで，$P_T(c\|\boldsymbol{x})$を構築する．\[\sum_{i=1}^{N}r(\boldsymbol{x_i})\logP(c_i\|\boldsymbol{x_i};\boldsymbol{\theta})\]また領域適応に対してはDaum{\'e}の手法\cite{daume0}が非常に簡易でありながら，効果が高い手法として知られている．Daum{\'e}の手法は，データの表現を領域適応に効果が出るように拡張し，拡張されたデータを用いてSVM等の学習手法を利用する手法である．ここでは拡張する手法を「素性空間拡張法(FeatureAugmentation)」と呼び，拡張されたデータを用いてSVMなどで識別までを行う手法を「Daum{\'e}の手法」と呼ぶことにする．拡張されたデータに対しては任意の学習手法が利用できる．つまり素性空間拡張法により拡張されたデータに対して，共変量シフトによる解法を利用することも可能である．本稿ではこの手法を提案手法とする．実験では現代日本語書き言葉均衡コーパス（BCCWJコーパス\cite{bccwj}）における3つの領域OC（Yahoo!知恵袋），PB（書籍）及びPN（新聞）を利用する．SemEval-2の日本語WSDタスク\cite{semeval-2010}ではこれらのコーパスの一部に語義タグを付けたデータを公開しており，そのデータを利用する．すべての領域である程度の頻度が存在する多義語16単語を対象にして，WSDの領域適応の実験を行う．領域適応としてはOC→PB，PB→PN，PN→OC，OC→PN，PN→PB，PB→OCの計6通りが存在する．結果$16\times6=96$通りのWSDの領域適応の問題に対して実験を行った．その結果，提案手法はDaum{\'e}の手法と同等以上の正解率を出した．本稿で用いた簡易な確率密度比の算出法であっても共変量シフトの解法を利用する効果が高いことが示された．より正確な確率密度比の推定法を利用したり，SVMを利用するなどの工夫で更なる改善が可能である．また教師なし領域適応へも応用可能である．WSDの領域適応に共変量シフトの解法を利用することは有望であると考えられる．
V31N03-16	\label{sec:introduction}日本語敬語は，同じ内容を人物関係や場面に応じて表現形式を使い分ける待遇表現の一種であり，具体的には敬意や配慮を表現するための上向きの待遇表現であるとされる\cite{kijutsu2009japanese}．敬語の使用には，適切な文法規則の適用と背景にある人物間の関係への理解の両方が求められる\cite{harada1976honorifics}．日本語敬語のうち，文脈情報に応じて名詞・動詞・形容詞を規則に応じて変化させる尊敬語や謙譲語が存在する．ここで，文脈情報としては，次の例が示すように，話者，聞き手，会話に登場する人々の間の社会的な関係についての情報がある．\begin{exe}\ex文脈情報：話者から見て佐藤先生は目上である．\begin{xlist}\ex佐藤先生がお読みになる．\label{keigo_correct1}\ex佐藤先生がいらっしゃった．\label{keigo_correct2}\ex[*]{佐藤先生がお読みする．}\label{keigo_wrong1}\end{xlist}\end{exe}\begin{exe}\ex文脈情報：話者と佐藤先生は同僚である．\begin{xlist}\ex佐藤先生が来なかった．\label{keigo_correct3}\ex[\#?]{佐藤先生がいらっしゃらなかった．}\label{keigo_wrong2}\end{xlist}\end{exe}自然言語処理のさまざまなタスクにおいて高い性能を持つ事前学習済み大規模言語モデルにも，文脈情報と文法知識の両方を活用して敬語を理解する能力が期待される．しかし，大規模言語モデルがこれらの情報や知識をどの程度適切に扱うことができるかは明らかでない．これまでに，日本語敬語を扱うデータセットは複数提案されている\cite{matsumoto2022conversion,liu2022construction,someya2023jcola}．これらの先行研究におけるタスク設定は，文法的な情報のみを用いたタスクで言語モデルの敬語理解における性能を評価することを目的としており，敬体文の背景にある情報を考慮した上での分析は行われていない．本研究では，複数のタスクとデータセットを用いて大規模言語モデルが文脈として文脈情報を考慮して敬語理解ができているかを分析する．まず，発言文に関連する人物間の社会的立場や社会的関係についての文脈情報を入力に含めるような敬語理解タスクを導入する．具体的には，敬語が関わる文の容認性判断タスクと，敬語使用が適切に考慮された文に変換する敬語変換タスクという2種類のタスクを設定する．そして，導入したタスクを想定したデータセットを構築する．一つ目のアプローチとして，文の構造や社会的関係といった設定の制御がしやすいテンプレート手法を用いて，新規に日本語敬語データセットを構築する．また，より自然な文を用いたデータセットを用意するために，既存の日本語敬語コーパスからデータをサンプリングし，文脈情報や異なる敬語の種類を用いた文をアノテーションすることで拡張を行う．最終的に，用意したこれらのデータセットを用いて，大規模言語モデルが社会的関係を考慮して敬語に関する容認性判断や敬語変換ができるかについて評価を行う．本研究で構築および拡張を行ったデータセットは，研究利用可能な形でGitHub上で公開している\footnote{\url{https://github.com/ynklab/japanese_honorifics}}．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%table1\begin{table}[b]\input{15table01.tex}%\hangcaption{\protect\citeA{kijutsu2009japanese}による日本語敬語の分類．本研究では素材敬語（太字部分）を分析対象としている．}\label{table:honorifics_classification}\end{table}%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%\setcounter{exx}{0}
V26N04-02	label{sec:introduction}単語を密ベクトルで表現する単語分散表現\cite{mikolov-13b,mikolov-13a,pennington-14,levy-14,bojanowski-17}が，機械翻訳\cite{sutskever-14}，文書分類\cite{mikolov-14}および語彙的換言\cite{melamud-15}など多くの自然言語処理応用タスクにおける性能改善に大きく貢献してきた．単語分散表現は今やこれら応用タスクの基盤となっており，その性能改善は重要な課題である．広く利用されているCBOW(ContinuousBag-of-Words)\cite{mikolov-13a}やSGNS(Skip-gramwithNegativeSampling)\cite{mikolov-13b}などの手法では各単語に対して$1$つの分散表現を生成するが，LiandJurafsky\citeyear{li-17}によって，語義ごとに分散表現を生成することで多くの応用タスクの性能改善に貢献することが示されている．そこで，本研究では各単語に複数の語義の分散表現を割り当てる手法を提案する．文脈に応じて分散表現を使い分けるために，多義語に複数の分散表現を割り当てる手法\linebreak\cite{neelakantan-14,paetzold-16d,fadaee-17,athiwaratkun-17}が提案されている．しかし，語義曖昧性解消はそれ自体が難しいタスクであるため，これらの先行研究では近似的なアプローチを用いている．例えば，PaetzoldandSpecia\citeyear{paetzold-16d}は品詞ごとに，Fadaeeら\citeyear{fadaee-17}はトピックごとに異なる分散表現を生成するが，これらの手法には多義性を扱う粒度が粗いという課題がある．以下の例では，いずれの文もトピックは{\ttfood}であり，単語{\ttsoft}の品詞は形容詞である．\begin{enumerate}\renewcommand{\labelenumi}{}\setlength{\leftskip}{1.0cm}\item{\itIatea\textit{\textbf{soft}}candy.}\label{enum:soft1}\item{\itIdrunk\textit{\textbf{soft}}drinks.}\label{enum:soft2}\end{enumerate}先行研究ではこれらの単語{\ttsoft}を同じ分散表現で表す．しかし，例\ref{enum:soft1})の単語{\ttsoft}は{\tttender}という意味を，例\ref{enum:soft2})の{\ttsoft}は{\ttnon-alcoholic}という意味を表すため，これらに同一の分散表現を生成するのは適切ではない．このような品詞やトピックでは区別できない多義性を考慮するために，各単語により細かい粒度で複数の分散表現を割り当てることが望ましい．そこで本研究では，文脈中の単語を手がかりとして，先行研究よりも細かい粒度で各単語に複数の分散表現を割り当てる$2$つの手法を提案する．$1$つ目の手法は，文脈中の代表的な$1$単語を考慮して語義の分散表現を生成する手法である．この手法では語義を区別する手がかりとして，各単語と依存関係にある単語を用いる．$2$つ目の手法は，文脈中の全ての単語を考慮して語義の分散表現を生成する手法である．この手法では双方向LSTM(LongShort-TermMemory)を用いて文中に出現する全ての単語を同時に考慮する．どちらの手法も教師なし学習に基づいており，訓練データが不要という利点がある．提案手法の有効性を評価するため，多義性を考慮する分散表現が特に重要な，文脈中での単語間の意味的類似度推定タスク\cite{huang-12}および語彙的換言タスク\cite{mccarthy-07,kremer-14,ashihara-19a}において実験を行った．評価の結果，提案手法は先行研究\cite{neelakantan-14,paetzold-16d,fadaee-17}よりも高い性能を発揮し，より細かい粒度で分散表現を生成することが応用タスクでの性能向上に繋がることが示された．また，詳細な分析の結果，文脈中の代表的な$1$単語を考慮して語義の分散表現を生成する手法は文長に影響を受けにくいため，文が長い場合に，文脈中の全ての単語を考慮して語義の分散表現を生成する手法よりも高い性能を示すことが確認できた．
V13N03-07	「ある用語を知る」ということは，その用語が何を意味し，どのような概念を表すかを知ることである．それと同時に，その用語が他のどのような用語と関連があるのかを知ることは非常に重要である．特定の専門分野で使われる用語---{\bf専門用語}---は，その分野内で孤立した用語として存在することはない．その分野で使われる他の用語に支えられ，その関連を土台として，はじめて意味を持つ．それらの用語間の関連を把握することは，「その専門分野について知る」ことでもある．例えば，「自然言語処理」について知りたい場合を考えよう．まずは，「自然言語処理」という用語が表す意味，すなわち，「自然言語---人間が使っていることば---を計算機で処理すること」を知ることが，その第一歩となる．それと同時に，「自然言語処理」に関連する用語にはどのような用語があり，それらがどのような意味を持つかを知ることは，「自然言語処理」という分野を知るよい方法である．用語の意味を調べる方法は自明である．百科辞典や専門用語辞典を引くことによって，あるいは，ウェブのサーチエンジン等を利用することによって，比較的容易に達成できる場合が多い．それに対して，ある用語に関連する用語集合を調べる方法は，それほど自明ではない．上記の例の場合，好運にも「自然言語処理」用語集のようなものが見つかれば達成できるが，そのような用語集が多くの専門分野に対して存在するわけではない．関連用語を知ることが専門分野の理解につながるということは，逆に言えば，適切な関連用語集を作成するためには，その分野に関する専門知識が必要であるということである．事実，一つの専門分野が形成され成熟すると，しばしば，その分野の専門用語集・辞典が編纂されるが，その編纂作業は，その分野の専門家によって行なわれるのが普通である．その作業には，かなりの労力と時間が必要であるため，商業的に成立しうる場合にしか専門用語集は作成されないとともに，分野の進展に追従して頻繁に改定されることはまれである．このような現状を補完する形で，色々な分野に対する色々なサイズの私家版的用語集が作られ，ウェブ上に公開されている．このような現象は，相互に関連する専門用語群を知りたいというニーズが存在し，かつ，専門用語集が表す総体---分野---を知る手段として，実際に機能していることを示唆する．関連する専門用語群を集めるという作業は，これまで，その分野の専門家が行なうのが常であったわけであるが，この作業を機械化することはできないであろうか．我々が頭に描くのは，例えば，「自然言語処理」という用語を入力すると，「形態素解析」や「構文解析」，あるいは「機械翻訳」といった，「自然言語処理」の関連用語を出力するシステムである．このようなシステムが実現できれば，ある用語に対する関連用語が容易に得られるようになるだけでなく，その分野で使われる専門用語の集合を収集することが可能になると考えられる．このような背景から，本論文では，与えられた専門用語から，それに関連する専門用語を自動的に収集する方法について検討する．まず，第\ref{chap2}章で，本論文が対象とする問題---{\bf関連用語収集問題}---を定式化し，その解法について検討する．第\ref{sec:system}章では，実際に作成した関連用語収集システムについて述べ，第\ref{chap4}章で，そのシステムを用いて行なった実験とその結果について述べる．第\ref{chap5}章では，関連研究について述べ，最後に，第\ref{chap6}章で，結論を述べる．
V04N03-04	近年，大量の機械可読なテキスト(コーパス)が利用可能になったことや，計算機の性能が大幅に向上したことから，コーパス・データを利用した確率的言語モデルの研究が活発に行われてきている．確率的言語モデルは，従来，自然言語処理や音声処理などの工学分野で用いられ，その有効性を実証してきたが，比較言語学，方言研究，言語類型論，社会言語学など，言語学の諸分野においても有用な手法を提供するものと思われる．本稿では，言語学の分野での確率的言語モデルの有用性を示す一例として，言語のクラスタリングを取り上げる．ここでは，言語を文字列を生成する情報源であるとみなし，この情報源の確率・統計的な性質を確率モデルによりモデル化する．次に，確率モデル間に距離尺度を導入し，この距離尺度に基づき言語のクラスタリングを行なう方法を提案する．以下では，まず２節で先行研究について概説し，３節で確率的言語モデルに基づく言語のクラスタリング手法を提案する．４節では，提案した手法の有効性を示すために行った実験について述べる．ここでは，ECI多言語コーパス(EuropeanCorpusInitiativeMultilingualCorpus)中の19ヶ国語のテキスト・データから，言語の系統樹を再構築する．また，実験により得られた結果を，言語学的な観点から考察する．最後に，他分野への応用および今後の課題などについて述べる．
V15N01-04	近年，コンピュータを含め，機械は我々の生活・社会と密接に関与し，必要不可欠な存在となっている．そのため，機械の目指すべき姿は「人と共存する機械（ロボット）」だと言えるだろう．この夢は，二足歩行ができる，走ることができる，踊ることができるなど，身体能力に長けたロボット\cite{HumanRobot1999}\cite{RoBolution2001}が数多く開発されたことにより，その一部が実現されつつある．今後，機械が真に「人と共存」するためには，優れた身体能力を持った機械に「知能」を持たせ，人間と自然な会話を行う能力が必要になる．機械が人間を主体としたスマートな会話を行うことにより，人と機械の円滑なコミュニケーションが可能となる．そこで，自然な会話を行うための自然言語処理の研究が注目を浴びている．しかしながら，従来の自然言語処理では，文の表層的な形式を重視し，ある限定された目的や特定の状況下での会話処理（タスク処理型会話）に重点を置いた研究が主流となっている．コンピュータ技術の進展に伴って，応答事例を大量に収集し知識ベース化する傾向が強い．このような方法はユーザの発した言葉の理解が，構築した知識ベースの大きさやシステム設計者の取得したデータに束縛されてしまうため，パターンに一致する会話事例が随時必要とされたり，限定された応答となってしまう．このような理由により，コンピュータとの人間らしい会話のためには，ただ応答事例や知識を大量に集めるだけでは対応しきれないと考えられる．そこで，コンピュータ自身によって会話文を生成する必要がある．人間は，基本的な文章の言い回し（応答事例）を元に，臨機応変に文章の可変部を変化させ，組み合わせることで文章を生成している．このように，コンピュータにおいても，基本的な応答事例を知識として与え，文章の可変部を連想によって変化させることができれば，より柔軟で多種多様な会話ができると考えられる．この考えに基づき，コンピュータによる会話文生成\cite{Yoshimura2006}が研究された．しかし，\cite{Yoshimura2006}は機械的な語の組み合わせに起因する一般的に見て不自然な語の組み合わせの応答を生成する恐れがある．例として次の会話を挙げる．A「休暇にサハラ砂漠へ行ってきました．」B「砂漠はさぞ暑かったでしょう．」\noindentこの応答を生成する場合，「雪国はさぞ寒かったでしょう」という文章事例（知識）より，［雪国］と［寒い］という可変部を連想によって変化させることで，「砂漠はさぞ暑かったでしょう」という文章を生成することができる．しかし，機械的に語を組み合わせることにより，「砂漠はさぞ寒かったでしょう」や「砂漠はさぞ涼しかったでしょう」のような人間が不自然と感じる組み合わせの応答をも生成する．そこで，このような違和感のある組み合わせの語の検出能力が必要となる．このため，本稿では，この違和感のある組み合わせの語の検出方式について論じる．本稿における「違和感表現」とは，聞き手が何らかの違和感を覚えたり，不自然さを感じる表現として用いる．違和感表現には以下のような表現が挙げられる．\begin{enumerate}\item\label{item:bunpo}文法的知識が必要な違和感表現\\「水が飲む」「本が読む」\item\label{item:joshiki}意味に関する常識的知識が必要な違和感表現\\「黒い林檎を食べた」「7月にスキーに行った」「歯医者へ散髪に行く」\end{enumerate}(\ref{item:bunpo})の表現を理解するには，助詞の使い方や動詞の語尾変化に関する文法的知識が必要である．コンピュータに文法的な知識を与えることで．「水が飲む」という表現を「水を飲む」，「本が読む」という表現を「本を読む」の誤りであると検出し，訂正することが可能になる．これは，文法的な知識や大規模コーパス等\cite{Kawahara2006}を用いることにより，検出可能と考えられる．本稿では，この範囲については扱わないものとする．これに対し，(\ref{item:joshiki})のような表現は，文法的な知識や事例を集めたコーパスだけでは対応できない．文法的にも，助詞の使い方や動詞の語尾変化に関しても誤りではないからである．しかし，人間は「黒い林檎を食べる」と聞けば，「林檎」が「黒い」ことに違和感を覚える．また，「7月にスキーに行った」という表現では，「スキー」を「夏」である「7月」に行ったということに違和感を覚え，「歯医者に散髪に行く」と聞けば，「散髪に行く」ためには「美容院」等に行くはずなのに歯を治療する場所である「歯医者」に行ったことに不自然さを感じる．これらの文章を理解するには，文法的な知識だけでなく，我々が経験上蓄積してきた，語に対する常識を必要とする．このような違和感表現を検出することができれば，応答合成だけでなく，人間が表現する違和感のある会話に柔軟に応答できると期待される．何故ならば，人間はこれらの文章に違和感を覚え，その違和感について話題を展開することで，会話を進めていくことができる．「7月にスキーに行った」のは，南半球の国や年中雪のある北国かもしれない．また，単なる言い間違いや聞き間違いかもしれない．人間は違和感のある表現を検出したとき，この疑問を具体的に相手に尋ねるような応答をする．これが人間らしい会話の一因となる．しかし，従来の機械との会話は質問応答が基本であり，違和感は考慮されていない．人間ならばどこがどのように不自然かをすぐに判別できる．これは人間が語の意味を知り，語に関する常識を持っているからである．しかし，機械は人間の持つ「常識」を持たず，理解していない．そこで，機械が「不自然だ」「一般的でない表現だ」と気づくためには，機械にも，一般的で矛盾のない表現を識別できる機能が必要だと考えられる．自然な応答を返すことは，機械が意味を理解し，常識を持って会話を行っていることを利用者に示すことになる．つまり，このような文章に対応できるシステムは聞き返すことで，話し相手としての存在感を強調し，人間らしい柔軟な会話ができると期待される．そこで，違和感表現を検出する手法の開発が必要となる．違和感表現には時間，場所，量，感覚などの様々な観点が存在する．\begin{itemize}\item\label{item:time}時間に関する違和感表現\\「7月にスキーに行った」\item\label{item:basyo}場所に関する違和感表現\\「歯医者へ散髪に行った」\item\label{item:ryo}量に関する違和感表現\\「机に家を入れました」\item\label{item:kankaku}感覚に関する違和感表現\\「黒い林檎を食べました」\end{itemize}このような違和感表現を検出するにはそれぞれの観点での常識に着目することが必要となるが，本稿では，その中でも，感覚に着目した違和感表現検出手法について述べる．これは，ある名詞に対する一般的な感覚を必要とする形容語に関する矛盾を判断する．つまり，「黒い」「林檎」などのように，名詞とそれを形容する語（以降，形容語）との関係の適切さを判断する．形容語とはある名詞を形容する形容詞・形容動詞・名詞（例：黒い，大きな，緑の）を指す．
V03N02-05	近年，電子化された大規模なテキストデータベース(コーパス)が身近に存在するようになり，その中から必要とする情報のみを高速に検索することができるテキスト検索システムの重要性が改めて認識されるようになってきた．また，検索の目的としても，単にある文字列を検索してくるというだけでなく，用例ベースの翻訳支援システムなどで要求されるように，ある言い回し，ある種の意味内容について検索してくるといった高度な検索が求められるようになってきた\cite{Kishimoto1994}．このような高度な検索のためには，検索対象であるテキストデータを解析して種々の情報をあらかじめ付加しておく必要がある(タグ付きコーパス)．タグ付きコーパスとしては，形態素解析を行って単語に分割し，品詞情報を付加したものが作成されているが，前述のような検索要求に対しては，これではまだ不十分であり，構文情報を付加したデータが望まれる．しかし，長文を含む一般の大量のテキストに対して，安定的に高精度の構文解析を行うことは現状ではまだ困難である．我々は以前，人手により構文解析したコーパス(約3500文)を実験的に作成し，これを対象とした用例検索システムTWIXの構築を行ったが\cite{HyodoAndIkeda1994}，実用的なレベルの大規模な構文付きコーパスを作成するには人手による方法では現実的ではない．そこで我々は，必ずしも常に完全な構文木ではないが，場合によっては部分的に曖昧さを残したままの解析木を，表層的な情報のみを用いて安定的に求める骨格構造解析手法を開発し，これを用いて構文付きコーパスを構築することを試みた．さらに，この構文付きコーパスを対象として，分類語彙表の意味分類を利用した意味コード化をも加え，類似用例検索システムの構築を行った．本システムでは，構文的制約(係り受け構造)を指定して検索できるので，単語レベルの検索では検索されてしまうような多くの不適切な用例を絞り込むことが可能となる．本研究では，講談社和英辞典およびオーム社科学技術和英大辞典の用例(約8万文)について，骨格構造解析により構文付きコーパスの作成を行なった．このうち200文を取り出して解析結果を評価したところ，骨格構造解析結果中に正しい解析木を含んでいるものは約93\%，その中で，係り先が曖昧な文節は約8\%であり，高い精度が得られることを確認した．また，このコーパスを対象として類似用例検索システムによる検索実験を行い，骨格構文構造を用いることの有効性，さらに意味コード化の有用性を確認した．以下では，２章で骨格構造解析と構文付きコーパスの作成方法について述べ，３章で類似用例検索システムの実現方法，４章で検索実験とそれについての考察を行う．
V10N01-02	自動用語抽出は専門分野のコーパスから専門用語を自動的に抽出する技術として位置付けられる．従来，専門用語の抽出は専門家の人手によらねばならず，大変な人手と時間がかかるためup-to-dateな用語辞書が作れないという問題があった．それを自動化することは意義深いことである．専門用語の多くは複合語，とりわけ複合名詞であることが多い．よって，本論文では名詞(単名詞と複合名詞)を対象として専門用語抽出について検討する．筆者らが専門分野の技術マニュアル文書を解析した経験では多数を占める複合名詞の専門用語は少数の基本的かつこれ以上分割不可能な名詞(これを以後，単名詞と呼ぶ)を組み合わせて形成されている．この状況では当然，複合名詞とその要素である単名詞の関係に着目することになる．専門用語のもうひとつの重要な性質として\cite{KageuraUmino96}によれば，ターム性があげられる．ターム性とは，ある言語的単位の持つ分野固有の概念への関連性の強さである．当然，ターム性は専門文書を書いた専門家の概念に直結していると考えられる．したがって，ターム性をできるだけ直接的に反映する用語抽出法が望まれる．これらの状況を考慮すると，以下のような理由により複合名詞の構造はターム性と深く関係してくることが分かる．第一に，ターム性は通常tf$\times$idfのような統計量で近似されるが，tf$\times$idfといえども表層表現のコーパスでの現われ方を利用した近似表現に過ぎない．やはり書き手の持っている概念を直接には表していない．第二に，単名詞Nが対象分野の重要な概念を表しているなら，書き手はNを頻繁に単独で使うのみならず，新規な概念を表す表現としてNを含む複合名詞を作りだすことも多い．このような理由により，複合名詞と単名詞の関係を利用する用語抽出法の検討が重要であることが理解できる．この方向での初期の研究に\cite{Enguehard95}があり，英語，フランス語のコーパスから用語抽出を試みているが，テストコレクションを用いた精密な評価は報告されていない．中川ら\cite{NakagawaMori98}は，この関係についてのより形式的な扱いを試みている．そこでは，単名詞の前あるいは後に連接して複合名詞を形成する単名詞の種類数を使った複合名詞の重要度スコア付けを提案していた．この考え方自体は\cite{Fung95}が非並行2言語コーパスから対訳を抽出するとき用いたcontextheterogeneityにも共通する．その後，中川らはこのスコア付け方法による用語抽出システムによってNTCIR1のTMREC(用語抽出)タスクに参加し良好な結果を出している．彼らの方法はある単名詞に連接して複合名詞を構成する単名詞の統計的分布を利用する方法の一実現例である．しかし，彼らの方法では頻度情報を利用していない．上記のように複合名詞とそれを構成する単名詞の関係がターム性を捉えるときに重要な要因であるとしても，\cite{NakagawaMori98}が焦点を当てた単名詞に連接する単名詞の種類数だけではなく，彼らが無視したある単名詞に連接する単名詞の頻度の点からも用語抽出の性能を解析してみる必要があると考える．本論文ではこの点を中心に論じ，また複合名詞が独立に，すなわち他の複合名詞の一部としてではない形で，出現する場合の頻度も考慮した場合の用語抽出について論ずる．さらに，有力な用語抽出法であるC-valueによる方法\cite{FrantziAnaniadou96}や語頻度(tf)に基づく方法との比較を通じて，提案する方法により抽出される用語の性質などを調べる．以下，2節では用語抽出技術の背景，3節では単名詞の連接統計情報を一般化した枠組，4節ではNTCIR1TMRECのテストコレクションを用いての実験と評価について述べる．
V21N02-03	\label{sc:introduction}近年，Webを情報源として，人間の情報分析や情報信憑性判断などの支援を目的としたシステム開発に関する研究が行われている\cite{Akamine2009,Akamine2010,Ennals2010,Finn2001,Kaneko2009,Miyazaki2009,Murakami2010,Shibuki2010,Shibuki2013,Kato2010,Kawai2011,Matsumoto2009,Nakano2011,Fujii2008,Yamamoto2010}．このようなシステムの開発においては，そもそも，どのような情報を提示することが効果的な支援につながるか，また，そのためにどのような処理を行う必要があるか，といった点から検討しなくてはならないことが多く，そういった検討に必要な情報が付与されたコーパスが必要となる．加えて，開発されたシステムの性能を評価するための正解情報が付与されたコーパスも必要となる．そういった情報が付与されたコーパスは，一般に利用可能でないことが多いため，開発の基礎となるコーパスを構築する研究が行われている\cite{Nakano2010,Ptaszynski2012,Radev2000,Wiebe2005,Shibuki2009,Shibuki2011b,Matsuyoshi2010,Nakano2008,Iida2010,Hashimoto2011}．我々は，これまで，「ディーゼル車は環境に良い」といった，利用者が信憑性を判断したい言明\footnote{本論文では，主観的な意見や評価だけでなく，疑問の表明や客観的事実の記述を含めたテキスト情報を広く言明と呼ぶこととする．}（{\bf着目言明}）に対して，その信憑性判断を支援するために有用なテキスト群をWeb文書から探し，要約・整理して提示する研究を行ってきており，その基礎となるコーパスを3年間で延べ4回\footnote{初年度で2回，次年度以降は年1回のペースで構築した．}構築している．研究当初，我々は，情報信憑性判断支援のための要約として，言明間の論理的関係の全体像を把握するのに有用な，論理的関係の要所に位置する言明を重要言明とみなし，それらを優先的に提示することによって情報量を抑える，サーベイレポート的な要約を考えて{いた．}この考え方の下で，着目言明に関連する重要言明をWeb文書集合から網羅するようなアノテーションを第1回と第2回のコーパス構築において行った．こうして構築されたコーパスを分析した結果，一見すると互いに対立しているようにみえる二つの言明の組が，実際には対立しておらず，ある条件や状況の下で両立可能となっている場合（{\bf疑似対立}）があることが分かった．また，疑似対立の場合に両立可能となる状況を第三者視点から簡潔に説明している記述が少数ではあるがWeb文書中に存在していることも分かり，そのような記述を利用者に提示することができれば，利用者の信憑性判断支援に役立つと考えた．以上の経緯から，我々は，二つの言明の組が疑似対立である場合に，第三者視点から両立可能となる状況を簡潔に説明している記述をWeb文書から見つける要約を{\bf調停要約}として提案した．以後，調停要約を信憑性判断支援のための要約の中心に位置付けて，第3回と第4回のコーパス構築を行い，調停要約を自動生成する手法を開発した．{我々は}，サーベイレポート要約と調停要約を，それぞれ情報信憑性判断支援のための要約の一つとして位置づけている．情報信憑性判断支援のための要約といった比較的ユニークな研究課題に新しく取り組むに当たって，構築されるコーパスには，手法のアルゴリズム等を検討するための分析用コーパスとしての役割と，手法の性能を測るための評価用コーパスとしての役割の両方が要求される．したがって，本論文では，この要求に応えるタグセットとタグ付与の方法について述べる．また，要約対象は，Web検索等により得られた任意のWeb文書集合であるため，アノテーションの対象となる文書集合をどのように決定するかという問題が生じる．この問題に対して，我々が採った方法についても述べる．また，情報信憑性判断のための要約といった同一の研究課題で，作業内容の改良を重ねながら4回のコーパス構築を行った事例は少なく，そういった希少な事例としても報告したい．本論文では，4回にわたって構築したコーパスを，着目言明に関連する重要言明を網羅することを目的として構築された，第1回と第2回の{\bfサーベイレポートコーパス}と，調停要約に焦点を当てて構築された，第3回と第4回の{\bf調停要約コーパス}に大きく分けて説明する．また，それぞれのコーパスを構築する際に直面した課題について，我々がどのように対応したかを述べ，コーパス構築を通して得られた知見を報告する．本論文の構成は以下の通りである．\ref{sc:summary4ic}節では，コーパス構築の目的である，情報信憑性判断支援のための要約における我々の基本的な考えを述べる．\ref{sc:survey_report}節では，サーベイレポートコーパスの構築における背景を述べた後，どのような課題が存在し，我々がどのように対応しようとしたかを述べる．また，実際のコーパス構築手順とアノテーションに用いたタグセットを述べ，構築されたサーベイレポートコーパスを分析した結果について報告し，考察を行う．\ref{sc:mediatory_summary}節では，調停要約コーパスについて\ref{sc:survey_report}節と同様の記述をする．\ref{sc:related_work}節では，コーパス構築の関連研究について述べ，情報信憑性判断支援のための要約に関するコーパス構築の位置付けを明確にする．\ref{sc:conclusion}節はまとめである．
V07N04-01	label{sec:moti}アスペクト(aspect;相)とはある一つの事象(eventuality;イベント)についてのある時間的側面を述べたものである．しかしながら同時にアスペクトとは言語に依存してそのような統語的形態，すなわち進行形や完了形などと言った構文上の屈折・語形変化を指す．本稿で形式化を行うのは，このような固有の言語に依存したアスペクトの形態ではなく，言語に共通したアスペクトの意味である．アスペクトの概念はどうしても固有の言語の構文と結び付いて定義されているため，用語が極めて豊富かつ不定である．同じ完了と言っても英語のhave＋過去分詞形と日本語のいわゆる「た」という助詞とはその機能・意味に大きな差異がある．したがって形式的にアスペクトの意味を述べるためにはまずこうした用語・概念の整理・統合を行った上で，改めて各概念の定義を論理的に述べる必要がある．このような研究では，近年では数多くのアスペクトの理論がイベント構造の概念によって構築されてきた．すなわち，すべての事象に共通な，アスペクトをともなう前の原始的・抽象的な仮想のイベント構造を考え，アスペクトとはこのイベント構造の異なる部位に視点(レファランス)を与えることによって生じるものとする説明\footnote{\cite{Moens88,Gunji92,Kamp93,Blackburn96,Terenziani93}他多数．個々の理論については第\ref{sec:akt}節で詳述する.}である．本稿のアスペクトの形式化も基本的にはこのイベント構造とレファランスの理論から出発する．しかしながらこのイベント構造とレファランスを古典的な論理手法によって形式化しようするとき，以下のような問題が伴う．まず，(1)時間の実体を導入する際に点と区間を独立に導入すると，アスペクトの定義においては，点と区間，点と点，区間と点の順序関係や重なり方に関して関係式が量産されることになる．次に，(2)アスペクトとは本来それだけで存在しうるものではなく，もともとある事象から派生して導き出されたものである．したがってアスペクトを定義する際にその条件を静的に列挙するだけでは不十分であり，もとにある事象の原始形態からの動的な変化として提示する必要がある．本稿では言語に共通なアスペクトのセマンティクスを形式化するために，アロー論理\cite{Benthem94}を導入する．第\ref{sec:arw}章で詳述するが，アロー論理とは命題の真偽を云々する際に通常のモデルに加えてアローと呼ばれる領域を与える論理である．アロー論理では，アロー自身に向きが内在しているために，(1)の問題でいうところの順序関係に関して記法を節約することができる．さらに動的論理(dynamiclogic)にアローを持ち込むことにより，動的論理の中の位置(サイト)と状態移動の概念を時間の点と区間の概念に対応づけることができる．このことは，アスペクトの仕様記述をする際に点と区間の関係が仕様記述言語(アローを含む動的論理)の側で既に定義されていることを意味し，さらに記述を簡潔にすることができる．本稿では，アスペクトの導出をこのような点と区間の間の制約条件に依存した視点移動として捉え，アスペクトの付加を制約論理プログラミングの規則の形式で記述する．したがって(2)の問題でいうところの動的な過程は，論理プログラミングの規則の実行過程として表現される．本稿は以下の構成をとる．まず第\ref{sec:akt}章では，言語学におけるアスペクトの分類と形式化を行い，先に述べた用語と概念の混乱を整理する．次にイベント構造とレファランスに関わる理論について成果をサーベイする．次に第\ref{sec:arw}章では，アロー論理を導入する．この章では，引き続いて，われわれの時間形式化に関する動機がアロー論理のことばでどのように述べられるかも検討する．すなわち，アローを向きをともなった区間とみなし，アスペクトの導出規則の仕様を定める．続く第\ref{sec:acc}章では，この仕様を完了や進行などさまざまなアスペクトに適用し，それらに関する導出規則を定義する．第\ref{sec:discus}章では，導出規則におけるアスペクトの付加についてその有用性と応用可能性を検討し，本研究の意義をまとめる．
V31N03-17	日本経済新聞社は，経済分野を中心とした新聞記事に加え，自社が調査した企業情報を収録したデータベース（日経企業DB\footnote{\url{https://telecom.nikkei.co.jp/public/guide/manual/b/b09.html}}）を保有している．新聞記事には，新規事業や組織再編などの，各企業に関する新しい情報が提供される．記事に登場する企業名を日経企業DBの企業IDと紐づけることで，企業レベルの記事検索などの，特定企業に関する高度な情報抽出への応用に期待ができる．企業名と企業IDの紐づけには，記事に出現する企業名の抽出と，抽出した企業名に企業IDを割り当てるエンティティリンキング(EntityLinking;EL)が必要になる．しかし，GiNZA\footnote{\url{https://megagonlabs.github.io/ginza/}}などの日本語汎用NLPツールは，企業名が組織名(Organization)の一部として定義されており，既存の日本語ELシステム\cite{Davaajav-etal-2016-anlp,sekine-etal-2023-anlp}も主にWikificationタスクのために設計されている．そのため，これらの既存ツールから日経企業DBへの適応は困難であり，Wikipediaと日経企業DBのリンキングの違いについても議論の余地がある．そこで本研究は，企業名と企業IDのリンキングを目的とした，日経企業IDリンキングシステムを実装する．具体的には，日経企業IDを知識ベースとするELデータセット（日経企業IDリンキングデータセット）を作成し，事前学習済み日本語言語モデル\cite{yamada-etal-2020-luke}による企業名抽出モデル・類似度ベースELモデルを構築する．本研究は，日経企業IDリンキングデータセットから企業名の抽出性能とリンキング性能を評価し，日経企業IDリンキングと一般的なELタスクの技術的困難性の違いについても考察する．実験の結果，提案システムは抽出した企業名に対して約83\%のリンキング性能を示したものの，同名他社などの日経企業DB特有の事例に対しては依然としてリンキングが困難であることを確認した．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%S2
V10N02-05	言語処理において，宣言的な文法規則に基づく自然言語文解析の研究・開発は不可欠のタスクである．本稿では，LexicalFunctionalGrammar(LFG)に基づいた実用的な日本語文解析システムについて述べる．本システムの第一の特徴は，精緻な日本語文法規則に基づく深い解析を行う点である．第二の特徴は，実文を対象とした評価が可能な高い解析カバー率を達成している点，すなわち，解析対象が口語的・非文法的文であっても解析可能な高い頑健性を持つ点である．本システムの実装により，LFGに基づく日本語解析システムとしては初めて，文法機能(grammaticalfunction)の情報を含めた解析精度の評価実験を行うことが可能となった．さらに第三の特徴として，LFGの解析結果が持つ言語普遍性の特徴を活かすため，他言語のLFG文法と高い整合性・無矛盾性を保っている点を挙げることができる．第一の特徴を実現するために，日本語文法あるいは国文法研究の知見を参考にして，LFGのフォーマリズムに基づく大規模な文法記述を行った．もちろん，言語現象の形式化には様々な選択肢がある．本システムの構築に際しては，上記第二の特徴および第三の特徴を実現するために，(1)一般には非文法的とみなされる文であってもそれを排除する選択肢を採用せず，かつ，(2)他の言語の解析結果との並行性を保持できる選択肢を優先する方針で文法規則の記述を行った．本稿の構成は以下の通りである．2章では，LFGおよび関連研究について述べる．3章では，上記第三の特徴に関係する取り組みとして，我々が属しているParallelGrammarProjectでの活動を概観する．4章で，日本語LFGシステムの構成を説明した後，5章では文法記述について述べる．5.1節および5.2節において，上記(1)(2)の方針で記述した日本語文法規則を説明する．5.3節の冒頭で触れている通り，第一の特徴と第二の特徴を両立することは極めて難しい．5.3節では，OTマークと部分解析の機能を用いて，この両立を実現する手法について述べる．6章では，以上の枠組みで構築した日本語LFGシステムの評価結果を示し，7章に今後の課題を記す．
V14N03-10	インターネット上での商取引やブログの増加により，特定の商品や出来事についての感情や評価，意見などの個人の主観を表明したテキストが増加している．この主観の対象が特定の商品に対するものである時は，商品へのフィードバックとして企業に注目される．主観が特定のニュースや施策に対するものであれば，国民の反応を知る手がかりとして利用する用途なども考えられる．国内外で多数の主観に注目した会議が開催されていることからも，関心の高さをうかがい知ることができる（EAAT2004,Shanahanetal.2005，言語処理学会2005，言語処理学会2006，AAAI2006，EACL2006，ACL2006）．本研究では，このようなテキストに現れた個人の主観の表明の中でも，特に，「うれしい」「かなしい」などの個人の感情を表す感情表現に着目し，その特性を理解するためのモデルを提案し，書籍や映画などの作品検索に応用するための方策を考察する．なお感情とは，ある対象に対する主体の気分や心の動きであり，感情表現とは，感情とその主体，対象などの構成要素をまとめて呼ぶ呼称である．態度とはテキストの中で感情や評価，意見など主観を表明した部分である．感情表現には感情表現事典（中村1993）に収録されているような感情という態度を表明している部分だけではなく，それを表明した主体や向けられた対象，その理由や根拠が関連する構成要素が存在する．我々は書評や映画評などの作品レビューが利用者にとって鑑賞する作品の選択に参考となるかどうかを判断するためには，感情表現の中の態度だけでなく他の構成要素も抽出する必要性があると考える．これは，作品レビューには参考になるもの，ならないものがあり，それを判断する手がかりとして構成要素が利用されていると仮定したことによる．さらに構成要素の中でも態度を表明した理由や根拠がその判断に大きく影響していると考えた．そこでまず感情表現抽出の準備段階として，感情表現の構成要素をあきらかにするため，Web上の作品レビューを用いて分析を行い，感情表現のモデルを定義し，構成要素の特徴をあきらかにした．次に感情表現の理由や根拠の重要性や働きを調べるため，追加分析と被験者実験を行い，作品検索に感情表現を用いるとき，検索結果が利用者にとって参考となる情報となるためには理由という構成要素が重要な働きをしていることを示した．\subsection{作品レビューにおける主観的な情報}本研究で扱うレビューとは，ある対象について評論したテキストのことである．レビューには，下記のような多様なドメインが考えられる．・作品：映画評，ブックレビューやCD，楽曲，演劇などの作品に関するレビュー・製品：携帯電話や車などの製品についてのレビュー・サービス：レストランや飛行機，ホテルなどのサービスに関してのレビュー・組織：会社や団体など，組織についてのレビューこれらドメインによって，レビュー中に表明された主観的な情報の用途，関連する構成要素と各要素の重要性，働き，評価の観点などが異なる．製品においては，使い勝手や好みなどの主観的な情報も重要であるが，その仕様や機能，価格など製品に関する事実がより重要な観点となる．同様にサービスではその特徴や利点が，組織では活動の内容などが重要な観点となる．これら製品やサービス，組織は利用するためのものであるため，それぞれが持つ機能や特徴，性質など主に具体的な事実や数値とそれが好意的なのか否定的なのかという評価がレビューとして重要視される．しかし映画や書籍のような作品は個人が味わうためのものであり，価格やあらすじ，登場人物などの事実以上に，それを利用者が読んだり鑑賞したりしてどう感じるかといった，利用者の抱く感情が重要である．\subsection{作品検索の問題点}現在の作品を対象とした検索では，作品のタイトルや登場人物，ジャンルなどを手がかりにして，利用者が自分の希望する作品を検索している．しかし利用者の要求には，「今日は泣ける本が読みたい」「派手な映画を見て元気を出したい」「背筋も凍るような恐怖のホラー映画が見たい」など，それらを見聞きした結果どのような感情を感じるかといったものもある．実際Web上の質問サービスである「教えてgoo\footnote{教えてgoo，http://oshiete.goo.ne.jp/}」や「Yahoo!知恵袋\footnote{Yahoo!知恵袋，http://chiebukuro.yahoo.co.jp/}」などの質問回答サービスには，「切なくなる本を教えてほしい」「怖い映画を教えてください」などの質問が存在する．感情表現を手がかりとして作品を検索できれば，これら要求を満たすことができる．我々は，単に作品へ向けられた感情表現中の感情という態度を表明した語句のみから作品を探すのではなく，感情の主体，対象，理由などの感情表現の他の構成要素も利用することが重要と考える．さらに構成要素の中でも理由，根拠，原因が明記された感情表現が特に利用者にとって参考となり得る重要な情報であると考えた．理由，根拠，原因の記述された感情表現を検索に利用することで，同じ「幸せな気分になれる本」を探したときでも，「笑える内容だったから幸せだった」のか「ハッピーエンドで終わったから幸せだった」のかなどを区別することができる．また，我々は，趣味嗜好が強く反映される作品レビューのようなテキストではそれを読んだ利用者がテキストに記述された内容を理解し，鑑賞する作品を選択するときに参考にすることが可能であることが重要であると考えた．具体的には，感情表現を用いた作品検索において，「理由」が記述されたものに重み付けをし，さらに結果をその作品レビューが含む理由と共に表示することなどが考えられる．そこで，本研究では作品レビューのテキストを対象とし，そこに出現する感情表現を分析した．なかでも感情表現の理由や根拠に注目して研究を行った．\subsection{本論文の構成}本論文の構成は次のとおりである．2節では，関連研究を概観し，本研究の位置づけを明確にする．3節では，書籍と映画に関するレビューを人手分析し，感情表現の構成要素を定義した．4節では，3節で定義した構成要素の特徴と働きについて考察をした．5節では，構成要素の中から理由に着目し，その重要性を分析，検討した．6節では5節での検討内容を被験者実験によって実証し，7節ではその結果を考察した．8節は本論文の結論である．
V24N05-04	一般に，自然言語処理システムでは単語を何らかの数値ベクトルとして表現する必要がある．単純にベクトル化する方法としてはone-hot表現がある．これは単語の種類数が$N$の場合，$N$次元ベクトルを用意し，単語$w$が$i$番目の種類の単語であれば，$N$次元ベクトルの$i$番目だけを1に，他は0にして$w$をベクトル化する方法である．one-hot表現によるベクトル化は単にベクトル化しただけであり，ベクトル間の関係はその単語間のなんらかの関係を反映しているわけではない．処理の意味を考えれば，単語のベクトルはその単語の意味を表し，ベクトル間の関係は，単語の意味の関係を反映したものになっていることが望ましい．このような背景下で，Mikolovはword2vecを発表し\cite{Mikolov1,Mikolov-2013}，単語の意味を低次元密なベクトルとして表現する分散表現が大きな成功を収めた．その後，自然言語処理の様々なタスクにおいて，分散表現が導入され，既存のシステムを改善している．また同時に近年，自然言語処理の分野でも深層学習の利用が活発だが，そこでは単語のベクトル化に分散表現が用いられる\cite{okazaki}．つまり，現在，自然言語処理システムにおける単語のベクトル化には分散表現を用いることが一般的な状況となっている．分散表現は，単語分割されたコーパス\footnote{日本語の場合，'mecab-Owakati'により，容易にテキストコーパスをword2vecの入力形式に変換できる．}があればword2vec\footnote{https://github.com/svn2github/word2vec}やGloVe\footnote{https://nlp.stanford.edu/projects/glove/}などの公開されているツールを用いて簡単に構築できる．また深層学習で利用する場合は，ネットワークの一部として分散表現を学習できる．このため分散表現のデータ自体の品質に関心が持たれることは少ない．ただし分散表現を利用したシステムでは，分散表現の品質がそのシステムの精度に大きな影響を与えている．また深層学習では，学習時間や得られるモデルの品質の観点から，分散表現を学習時に構築するよりも，既存の学習済みの分散表現を用いる方が望ましい．このような観点から容易に利用できる高品質の分散表現データがあれば，様々な自然言語処理システムの構築に有益であることは明らかである．以上の潜在的な需要に応えるために我々は国語研日本語ウェブコーパス（以下，NWJC）\cite{asahara2014archiving}を利用して分散表現を構築し，それをnwjc2vecと名付けて公開している\footnote{http://nwjc-data.ninjal.ac.jp/}．NWJCは約258億語からなるコーパスである．1年分の新聞記事中のプレーンな文のデータが約2,050万語\footnote{2008年度の毎日新聞記事から，文としてなりたつと考えられるものを抽出し，unidicを基に形態素解析したものから算出した．}であることを考えると，NWJCは1,200年分以上の新聞記事に相当し，超大規模コーパスといえる．そのためそのコーパスから構築されたnwjc2vecが高品質であることが期待できる．本稿ではnwjc2vecを紹介するとともに，nwjc2vecの品質を評価するために行った二種類の評価実験の結果を報告する．第一の評価実験では，単語間類似度の評価として，単語類似度データセットを利用して人間の主観評価とのスピアマン順位相関係数を算出する．第二の評価実験では，タスクに基づく評価として，nwjc2vecを用いて語義曖昧性解消及び回帰型ニューラルネットワーク（RecurrentNeuralNetwork,以下RNN）による言語モデルの構築を行う．なおここでの言語モデルとは確率的言語モデルであり単語列に対する確率分布を意味する．構築した言語モデルはパープレキシティにより評価できるので，その評価値により構築の基になった分散表現データを評価する．どちらの評価実験においても，新聞記事7年分の記事データから構築した分散表現を用いた場合の結果と比較することで，nwjc2vecが高品質であることを示す．
V15N02-04	\label{sec:intro}言い換えとは，ある言語表現を意味が等価な別の言語表現に変換する処理のことである．自然言語処理においては，言い換えはさまざまな応用をもっており，例えば，情報検索，機械翻訳，文章作成支援，文章読解支援などに応用されることが期待されている．\begin{table}[b]\caption{日本語表現の分類}\label{tab:classWord}\input{04table01.txt}\end{table}\begin{figure}[b]\begin{center}\includegraphics{15-2ia4f1.eps}\caption{内容表現の言い換えと機能表現の言い換えを組み合わせた幅広い言い換え}\label{fig:phrasal}\end{center}\end{figure}日本語表現の言い換えは，これまで多くの研究者によって研究されてきた\shortcite{Inui2004}．これらの研究のほとんどは，内容語や複合語に関するものであり，例えば，複合名詞の言い換えに関する研究\shortcite{Sato1999,Kimura2002}や動詞句の言い換えに関する研究\shortcite{Kaji2004,Furihata2004}などがある．日本語の表現は，内容的・機能的という観点から，おおきく2つに分類できる．さらに，「表現を構成する語の数」という観点を加えると，表~\ref{tab:classWord}のように分類できる．ここで，{\bf複合辞}とは，「にたいして」や「なければならない」のように，複数の語から構成されているが，全体として1つの機能語のように働く表現のことである．われわれは，機能的というカテゴリーに属する機能語と複合辞を合わせて{\bf機能表現}と呼ぶ．内容表現の言い換えに関する研究に比べて，機能表現の言い換えに関する研究は著しく少ない．ほとんどすべての文および文節には，1つ以上の機能表現が含まれているのであるから，日本語表現を幅広く言い換えるためには，図~\ref{fig:phrasal}に示されるように，内容表現だけでなく，機能表現も言い換えることが重要である．このような理由により，本論文では，機能表現の言い換えに焦点をあてる．日本語の機能表現が持つ主な特徴は，各々の機能表現が多くの形態的異形を持っているということである．それぞれの異形は，常体，敬体，口語体，堅い文体という4つの文体のいずれかをとる．例えば，「なければならない」の異形には，「なくてはならない」，「なければなりません」，「なけりゃならない」，「ねばならん」などがあり，これら4つの表現の文体はすべて異なっている．これらの表現の文体は，順に，常体，敬体，口語体，堅い文体である．機能表現を言い換えるシステムは，言い換え先の機能表現の文体を制御できることが求められる．なぜならば，1つの文章においては，原則として，一貫して1つの文体を使い続けなければならないからである．例えば，文体が常体である文章においては，「なければなりません」や「にたいしまして」などの敬体の表現や，「なけりゃならない」や「とは言ったって」などの口語体の表現を使うことはできない．しかしながら，先行研究において提案されているいずれの機能表現言い換えシステムも，言い換え先の機能表現の文体を制御できる機構を持っていない．機能表現言い換えシステムが機能表現$f$を異なる機能表現$f^\prime$に言い換える場合，潜在的には$f^\prime$のすべての異形を生成できることが望まれる．なぜならば，この要請を満たすシステムは，文章作成支援などの応用において，多数のさまざまな言い換え候補を利用者に提示することができるからである．このようなシステムは，例えば，「見てくれるか」という入力に対して，「てもらえる」を含む言い換え候補として「見てもらえるか」だけでなく，「見てもらえないか」，「見てもらえませんか」，「見てはもらえないでしょうか」など，多くの興味深い言い換え候補を出力することができる．しかしながら，先行研究における機能表現言い換えシステムは，体系的に異形を扱っていないため，上記の要請を満たしていない．文章読解支援や文章作成支援などの応用においては，機能表現を言い換えるときに，言い換え先の機能表現の難易度（理解しやすさ）を制御できることが求められる．なぜならば，機能表現は，文の構造や意味を決定する重要な要素であるからである．文中に知らない機能表現が用いられていた場合，おそらく，読者は，その文の意味を正確に理解することができないだろう．難しい機能表現をやさしい機能表現へ言い換えることができれば，読者がその機能表現を知っており，文の意味を正しく理解することができることが期待される．先行研究において，機能表現の難易度を考慮したものは，土屋らの研究\shortcite{Tsuchiya2004}と本田らの研究\shortcite{Honda2007}のみである．土屋らは，機能表現をやさしく言い換えるための規則を半自動的に生成する手法と，その規則に基づいて機能表現を言い換えるシステムを提案している．本田らは，意味的に等価な機能表現の各々のクラスに対して，それぞれ1つの代表表現を定義することにより，機能表現を分かりやすい表現に言い換える手法を提案している．機能表現をやさしく言い換える場合，読者にふさわしい難易度の表現に言い換えることが望ましい．なぜならば，よりやさしい機能表現（典型的には，助詞）は，複数の意味を持っている傾向があるからである．必要以上にやさしく言い換えた場合，生成されたテキストが意味的に曖昧になってしまうおそれがある．これらの先行研究において提案されている言い換えシステムは，例えば，日本語初級者用や日本語中級者用などといった，難易度指定に応じて言い換えを行なうことはできない．機能表現を，文体指定や難易度指定を満たす，意味的に等価な機能表現に言い換える処理は，次の2つの変換の組み合わせによって実現することができる．\begin{enumerate}\item機能表現を意味的に等価な機能表現に変換する\item機能表現をその異形に変換する\end{enumerate}前者において，難易度指定を満たす機能表現のみを言い換え候補に採用し，後者において，文体指定を満たす異形のみを言い換え候補に採用すれば，目的の言い換えを達成することができる．本論文では，形態階層構造と意味階層構造を持つ機能表現辞書を用いることにより，文体と難易度を制御しつつ，日本語機能表現を言い換える手法を提案する．前者の階層構造は，各々の機能表現に対して，すべての異形のリストを提供する．それぞれの異形には，文体の情報が記述されている．このリストは，上記の(2)の変換に必要である．後者の階層構造は，機能表現の意味的等価クラスを提供する．クラス内のそれぞれの機能表現には，難易度が付与されている．この意味的等価クラスは，上記の(1)の変換に必要である．本論文は，以下のように構成される．まず，第2章で，形態階層構造と意味階層構造を持つ機能表現辞書について説明する．次に，第3章で，本論文で提案する機能表現の言い換え手法を述べる．第4章で，実装した機能表現言い換えシステムについて説明し，続く第5章において，その評価を行なう．第6章で，関連研究について述べ，最後に，第7章でまとめを述べる．
V29N03-04	\label{sec:introduction}\textbf{意志性(volitionality)}はイベントの基本的な属性であり，イベントに何者かの意志的な関与があるかどうかを表す．本研究では特にイベントの主語が表すエンティティがイベントに意志的に関与しているか否かに着目する．例えば，主語のエンティティの観点から見て，「食べる」や「書く」といったイベントはふつう意志的(volitional)であり，「泣く」や「怪我をする」，「怒られる」といったイベントは非意志的(non-volitional)である．イベントの意志性分類は，因果関係知識の類型化\cite{lee-jun-2008-constructing,inui2003kinds,abe-etal-2008-acquiring,abe-etal-2008-two}に用いられてきたほか，条件付きイベント予測\cite{du-etal-2019-modeling}，スクリプト抽出\cite{chambers-jurafsky-2008-unsupervised}，顧客フィードバック分析\cite{liu-etal-2017-ijcnlp}などへの応用がある．一方，有生性(animacy)は名詞の属性であり，名詞が表すエンティティに人間のような意志的な行為が可能かどうかを表す．本研究ではイベントの主語が表すエンティティがイベントに意志的に関与しているか否かに着目するため，イベントの主語が有生名詞であることはイベントが意志的であることの必要条件となる．この密接な関係に着目し，本研究では\textbf{主語有生性}というイベントの属性を考える．意志性の学習では主語有生性の同時学習が助けになると期待される．意志性を認識する難しさは，言語資源の不足と文脈理解が必要なことにある．意志性は多くの場合，イベントの述語によって同定できる．冒頭の「食べる」や「泣く」などがそうである．しかし，意志的（あるいは非意志的）な行為を表す述語を網羅したリストは存在しない．また，たとえそうした言語資源があったとしても，述語だけではなく，その文脈も考慮しなければ意志性を同定できない場合が存在する．例えば，例~\ref{ex:shawa-o-abiru}と例~\ref{ex:hinan-o-abiru}の述語はどちらも同じ「浴びる」であるが，前者は意志的，後者は非意志的である\footnote{意志的なイベントの例は「V（volitionalの略）」，非意志的なイベントの例は「NV（non-volitionalの略）」を付記して示す．}．\ex.\a.\label{ex:shawa-o-abiru}シャワーを浴びる．$_\text{{(V)}}$\b.\label{ex:hinan-o-abiru}非難を浴びる．$_\text{{(NV)}}$また，例~\ref{ex:iki-o-suru}は非意志的であるが，例~\ref{ex:fukaku-iki-o-suru}は「深く」という副詞を伴うことで意志的となる．\ex.\a.\label{ex:iki-o-suru}息をする．$_\text{{(NV)}}$\b.\label{ex:fukaku-iki-o-suru}深く息をする．$_\text{{(V)}}$文脈理解の問題は言語資源の整備によって解決するのは困難である．あらゆる文脈―述語の項，項への連体修飾，述語への修飾（副詞句）の組み合わせ―に対して意志性のラベルをアノテーションすることは非現実的だからである．この問題に対する有望な解決策は，イベントを構成する語句の意味とそれらの関係性を柔軟に捉えて意志性を認識する分類器を構築することである．そうした柔軟な分類器は深層学習モデルを訓練することで得られると期待されるが，その訓練には通常，大量のラベル付きデータが必要となる．主語有生性の認識についても，意志性の認識と同様の難しさがある．まず，言語資源の不足の問題がある．主語有生性は，たいていの場合，主語の名詞が通常有生名詞(animatenoun)か無生名詞(inanimatenoun)かによって同定できる．有生名詞・無生名詞はConceptNet\cite{10.5555/3298023.3298212}などの知識ベースから一定量のリストが得られるが，網羅的とは言い難い．また，主語有生性の認識においても文脈理解が必要となる場合がある．例えば，例~\ref{ex:shirobai-ga-tometearu}の主語「白バイ」は通常無生名詞であるが，例~\ref{ex:shirobai-ga-oikaketekuru}の主語「白バイ」は警察官の換喩であり，この文脈においては有生名詞である\footnote{主語が有生名詞であるイベントの例は「A（animateの略）」，主語が無生名詞であるイベントの例は「IA（inanimateの略）」を付記して示す．}．\ex.\a.\label{ex:shirobai-ga-tometearu}白バイが停まっている．$_\text{{(IA)}}$\b.\label{ex:shirobai-ga-oikaketekuru}白バイが追いかけてくる．$_\text{{(A)}}$こうした現象に対処するには，やはり柔軟な文脈理解が可能な分類器を構築するのが有望であり，その訓練には大量のラベル付きデータが必要となる．本研究では，イベントの意志性と主語有生性を同時学習する弱教師あり学習手法を提案する．提案手法の概要を図~\ref{fig:overview}に示す．提案手法ではまず，ヒューリスティクスを用いて生コーパス中のイベントにラベルを付与する．意志性のラベルは「わざと」などの意志的な行為を表す副詞（意志的副詞）と「うっかり」などの非意志的な行為を表す副詞（非意志的副詞）を手がかりに付与する．例えば，例~\ref{ex:aete-shijitsu-o-hanasu}は意志的副詞「あえて」が述語に係っているため，意志的であるとみなす．例~\ref{ex:ukkari-keitai-o-otosu}は，非意志的副詞「うっかり」が述語に係っているため，非意志的であるとみなす．\ex.\label{ex:aete-shijitsu-o-hanasu}あえて真実を話す．$_\text{(V)}$\ex.\label{ex:ukkari-keitai-o-otosu}うっかり携帯を落とす．$_\text{(NV)}$主語有生性のラベルは既存の言語資源に登録されている有生名詞・無生名詞を手がかりに付与する．生コーパスの量は際限なく増やすことが可能であるため，この方法で大量のラベル付きデータを低コストで収集することができる．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%fig.1\begin{figure}[t]\begin{center}\includegraphics{29-3ia3f1.pdf}\end{center}\hangcaption{提案手法の概要．生コーパス中のイベントにヒューリスティクスを用いて意志性・主語有生性のラベルを付与し，意志性・主語有生性それぞれのラベル付きデータセット（$\mathcal{D}^l_\text{vol}$・$\mathcal{D}^l_\text{ani}$）とラベルなしデータセット（$\mathcal{D}^u_\text{vol}$・$\mathcal{D}^u_\text{ani}$）を得る．その上で，意志性と主語有生性の分類を同時学習する．その際，手がかり語だけに着目した分類に陥ることを防ぐための正則化を導入する．}\label{fig:overview}\end{figure}%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%例~\ref{ex:aete-shijitsu-o-hanasu}，例~\ref{ex:ukkari-keitai-o-otosu}が示唆するように，意志的副詞・非意志的副詞を除いたとしても，多くの場合，イベントの意志性は保持される．これは主語有生性に関しても同様である．しかし，そうでない場合もある．例えば，例~\ref{ex:wazato-kokeru}は意志的であるが，そこから「あえて」を除いた例~\ref{ex:kokeru}は非意志的である．\ex.\a.\label{ex:wazato-kokeru}あえてこける．$_\text{(V)}$\b.\label{ex:kokeru}こける．$_\text{(NV)}$このように，意志的副詞と共起するイベントが必ずしも意志的なイベントであるとは限らない．主語有生性に関してもこうした例が存在する．例えば，例~\ref{ex:shogekiga-hashiru}の主語である「衝撃」は無生名詞であるが，「衝撃」を除いた例~\ref{ex:hashiru}の主語は有生名詞として捉えるのが妥当である．\ex.\a.\label{ex:shogekiga-hashiru}衝撃が走る．$_\text{(IA)}$\b.\label{ex:hashiru}走る．$_\text{(A)}$手がかり語を常に含むラベル付きデータから，手がかり語を含まないラベルなしイベントに汎化する分類器を得るには，原則として手がかり語に頼らず，それと共起するテキストからラベルを予測することを学習しつつ，手がかり語を除くことでラベルが変化する例に関しては，手がかり語と共起するテキストからラベルを予測することを学習しないことが重要である．本研究では，分類器を学習する際にラベル付けの手がかり語だけに着目して分類することを抑制する正則化を導入することで前者の原則を学習しつつ，汎用言語モデル\cite{devlin-etal-2019-bert}が作り出すイベントの汎化ベクトル表現の上で分類器を構築することで，予測のために手がかり語に着目せざるを得ないケースがデータから学習されることを期待する．本研究は，手がかり語に着目した分類を抑制する問題をバイアス削減あるいは教師なしドメイン適応の問題と捉え，その手法を活用する．バイアス削減はデータセット中に存在する特定のバイアスが予測に濫用されることを防ぐ手法である\cite{NIPS2016_a486cd07,zhao-etal-2017-men,zhao-etal-2019-gender,kennedy-etal-2020-contextualizing}．本研究ではヘイトスピーチ認識器の学習において利用されているバイアス削減手法を転用する\cite{kennedy-etal-2020-contextualizing,Jin2020Towards}．ここで提案されているバイアス削減手法は，分類器が「gay」といったヘイトスピーチに特徴的な単語（バイアス）だけに着目した分類に陥ることを抑制し，文脈を考慮した分類を促すものである．本研究では，ラベル付けに用いる手がかり語をバイアスとみなして，単純なバイアス削減手法であるwordremoval(WR)，より高度なバイアス削減手法で有効性が知られているsamplingandocclusion(SOC)の2つを利用する．教師なしドメイン適応は，ソースドメインのラベル付きデータとターゲットドメインのラベルなしデータを用いて，ターゲットドメインに汎化するモデルを構築する手法である．本研究の設定は，手がかり語を含むラベル付きデータをソースドメインのデータ，手がかり語を含まないラベルなしデータをターゲットドメインのデータとみなすことで，教師なしドメイン適応の問題として定式化できる．本研究では，深層学習モデルを利用したテキスト分類器の学習において有効性が確認されている教師なしドメイン適応手法adversarialdomainadaptation(ADA)を利用する\cite{JMLR:v17:15-239,pmlr-v37-ganin15,shah-etal-2018-adversarial,Shen_Qu_Zhang_Yu_2018}．ADAでは，ラベル付きデータのもとで分類を学習しつつ，敵対的学習の枠組みで，ラベル付きデータとラベルなしデータが判別できなくなるようにイベントのベクトル表現を学習する．この学習により，ラベル付きデータにだけ現れる手がかり語になるべく頼らない分類が学習されると期待される．提案手法の有効性を確認するため，日本語と英語で実験を行った．分類器の性能を評価するため，各言語についてクラウドソーシングで評価データを新たに構築した．実験を通して，提案手法により，人手でラベル付きデータを構築することなく，イベントの意志性・主語有生性の高精度な分類器を構築できることを示した\footnote{本研究で構築した評価データおよびモデルの実装は公開予定である．}．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
V17N01-04	テキスト分類学習は，スパムメールの除去，Webコンテンツのフィルタリング，ニュースの自動分類など様々な応用分野をもつ重要な技術である．一般の分類学習と同様に，テキスト分類学習においても特徴集合の選択は学習性能を決定する重要な要素である．通常，英文であればスペースによって区切られた語，日本語文であれば形態素解析によって分割された語を特徴として用いることが多いが，このような方法では二語が連接していることの情報が欠落するので，分類に役立つ熟語・複合語などの情報を取りこぼす可能性が高い．このため，この情報についてはあきらめるか辞書から得るかしなければならない．さらにこの情報を利用する場合は言語モデルの利用やstringkernelなどの特殊なカーネルを利用することにより学習アルゴリズム側で連接を考慮するといった対応を行う必要が生じる．一方，特徴選択の方法として文を文字列と見なし，全ての部分文字列を考慮することで，連接を特徴選択の際に取り込もうとするアプローチがある．このアプローチでは，熟語・複合語を取り込むための辞書や連接を考慮した学習アルゴリズムを使用する必要がないという利点があるが，部分文字列数のオーダーはテキストデータの全文字数の2乗のオーダーという非常に大きな値となってしまうため，取捨選択してサイズを縮小する必要がある．部分文字列を考慮した特徴選択の代表的なものに，Zhangらが提案した方法がある(Zhangetal.2006)．彼らはsuffixtreeを利用して，出現分布が同一または類似している文字列を一つにまとめることによって特徴集合のサイズを縮小する方法を提案した．そして，この選択方法による特徴集合とサポートベクターマシンを利用したテキスト分類実験において，連接や文字列を考慮した他の代表的な方法よりも高い性能を与えることを示した．これに対して，本研究ではすべての部分文字列を考慮する点は同じものの，反復度と呼ばれる統計量を利用して，Zhangらの方法と異なる部分文字列の選択方法を提案する．反復度は文書内で繰り返される文字列は文書内容を特徴づける上で重要な語であるという仮定に基づく統計量であり，これまでキーワード抽出などに利用されている(TakedaandUmemura2002)．Zhangらの方法は部分文字列の出現分布が類似したものを一つにまとめるという操作のみを行い，選択した部分文字列の文書内容を特徴づける上での重要性は学習アルゴリズムによって決めるというアプローチであるといえるが，反復度では特徴選択時にも部分文字列の重要性を考慮しており，分類に寄与しない特徴を予め取り除く効果が期待できる．本研究では，この反復度を用いた部分文字列からの特徴選択の効果を，ニュース記事を用いた分類実験，スパムメールのデータセットを用いた分類実験において検証する．そして，ニュース記事の分類実験では，提案手法である反復度を用いた特徴抽出方法がZhangらの特徴抽出方法よりも優れた結果を示し，単語を特徴集合とする方法との間には有意差が認められなかったことを報告する．一方，スパムメールの分類実験において提案手法はZhangらの方法，単語を特徴集合とする方法よりも優れた結果を示し，有意差が確認されたことを報告する．以下，2章ではZhangらの方法について詳しく説明する．また3章では本研究で利用する反復度と交差検定によるパラメータの設定方法について説明する．4章では実験方法と実験結果について述べ，5章でその結果について考察し，6章でまとめを行う．
V04N01-07	\label{sec:introduction}適格なテキストでは，通常，テキストを構成する要素の間に適切な頻度で照応が認められる．この照応を捉えることによって，テキスト構成要素の解釈の良さへの裏付けや，解釈の曖昧性を解消するための手がかりが得られることが多い．例えば，次のテキスト\ref{TEXT:shiji}の読み手は，「新自由クラブは，奈良県知事選で自民党推薦の奥田氏を支持する」で触れた事象に，「知事選での奥田氏支持」が再び言及していると解釈するだろう．\begin{TEXT}\text\underline{新自由クラブは，奈良県知事選で自民党推薦の奥田氏を支持する}方針をようやく固めた．\underline{知事選での奥田氏支持}に強く反対する有力議員も多く，決定が今日までずれ込んでいた．\label{TEXT:shiji}\end{TEXT}この照応解釈は，「奈良県知事選で」が「支持する」と「固めた」のどちらに従属するかが決定されていない場合には，この曖昧性を解消するための手がかりとなり，何らかの選好に基づいて「支持する」に従属する解釈の方が既に優先されている場合には，この解釈の良さを裏付ける．このようなことから，これまでに，前方照応を捉えるための制約(拘束的条件)と選好(優先的条件)がText-WideGrammar~\cite{Jelinek95}などで提案されている．Text-WideGrammarによれば，テキスト\ref{TEXT:shiji}でこの照応解釈が成立するのは，「新自由クラブは，奈良県知事選で自民党推薦の奥田氏を支持する」を$X$，「知事選での奥田氏支持」を$Y$としたとき，これらが次の三つの制約を満たすからである．\smallskip\begin{LIST}\item[\bf構文制約]$Y$は，ある構文構造上で$X$の後方に位置する\footnote{$X$と$Y$が言語心理学的なある一定の距離以上離れていると，$Y$は$X$を指せないことがあると考えられるが，距離に関する制約は構文制約に含まれていない．}．\item[\bf縮約制約]$Y$は，$X$を縮約した言語形式である．\item[\bf意味制約]$Y$の意味は，$X$の意味に包含される．\end{LIST}\smallskipあるテキスト構成要素$X$で触れた事象に他の要素$Y$が再言及しているかどうかを決定するためには，$X$と$Y$がこれらの制約を満たすかどうかを判定するための知識と機構を計算機上に実装すればよい．実際，構文制約と縮約制約については，実装できるように既に定式化されている．これに対して，意味制約が満たされるかどうかを具体的にどのようにして判定するかは，今後の課題として残されている．意味制約が満たされるかどうかを厳密に判定することは，容易ではない．厳密な判定を下すためには，$X$と$Y$の両方またはいずれか一方が文や句である場合，その構文構造とそれを構成する辞書見出し語の意味に基づいて全体の意味を合成する必要がある．テキストの対象分野を限定しない機械翻訳などにおいて，このような意味合成を実現するためには，膨大な量の知識や複雑な機構を構築することが必要となるが，近い将来の実現は期待しがたい．本稿では，近い将来の実用を目指して，構築が困難な知識や機構を必要とする意味合成による意味制約充足性の判定を，表層的な情報を用いた簡単な構造照合による判定で近似する方法を提案する．基本的な考え方は，構文制約と縮約制約を満たす$X$と$Y$について，それぞれの構\\文構造を支配従属構造で表し，それらの構造照合を行ない，照合がとれた場合，$X$の意味が$Y$の意味を包含するとみなすというものである．もちろん，単純な構造照合で意味合成が完全に代用できるわけではないが，本研究では，日英機械翻訳への応用を前提として，簡単な処理によって前方照応がどの程度正しく捉えられるかを検証することを目的とする．以降，本稿の対象を，サ変動詞が主要部である文(以降，サ変動詞文と呼ぶ)を$X$とし，そのサ変動詞の語幹が主要部であり$X$の後方に位置する名詞句(サ変名詞句)を$Y$とした場合\footnote{このようなサ変動詞文とサ変名詞句の組は，我々の調査によれば，新聞一カ月分の約8000記事のうち，その23\%において見られた．}に限定する．これまでに，性質の異なる曖昧性がある二つの構文構造を照合することによって互いの曖昧性を打ち消す方法に関する研究が行なわれ，その有効性が報告されている\cite{Inagaki88,Utsuro92,Kinoshita93,Nasukawa95b}．本稿の対象であるサ変動詞文とサ変名詞句にも互いに性質の異なる曖昧性があるので，構造照合を行ない，類似性が高い支配従属構造を優先することによって，サ変動詞文とサ変名詞句の両方または一方の曖昧性が解消される．例えば，サ変名詞句「奥田氏支持」から得られる情報だけでは「奥田氏」と「支持」の支配従属関係を一意に決定することは難しいが，テキスト\ref{TEXT:shiji}では，サ変動詞文「奥田氏を支持する」との構造照合によって，サ変名詞句を構成する要素間の支配従属関係が定まる．このように，サ変名詞句の曖昧性解消に，サ変名詞句の外部から得られる情報を参照することは有用である．一方，複合名詞の内部から得られる情報に基づく複合名詞の解析法も提案されている\cite{Kobayashi96}．複合名詞の主要部がサ変名詞である場合，これら二つの方法を併用することによって，より高い解析精度の達成が期待できる．\ref{sec:depredrules}節では，サ変動詞文とサ変名詞句の支配従属構造を照合するための規則を記述する．\ref{sec:matching}節では，構造照合規則に従って照応が成立するかどうかを判定する手順について述べ，処理例を挙げる．\ref{sec:experiment}節では，新聞記事から抽出したサ変動詞文とサ変名詞句の組を対象として行なった実験結果を示し，照応が正しく捉えられなかった例についてその原因を分析する．
V06N06-06	本論文では，文，文章上の特徴，および文章の解析により得られた構造上の特徴をパラメタとして用いた判定式による文章の自動抄録手法を示す．さらに，抽出された文の整形や照応を考慮した文章要約手法について述べる．近年のインターネットなどの発展により，大量の電子化された文書が我々の周りに溢れている．これら大量の文書から必要とする情報を効率良く高速に処理するために，キーワード抽出や文章要約，抄録といった研究が行なわれている．それらのためには，計算機を用い，必ずしも深い意味解析を行なわずに文章の表層的特徴から解析を行なう方法が有効である．文章抄録とは文章から何らかの方法で重要である文を選び出し，抽出することである．山本ら\cite{Masuyama:95}は照応，省略，語彙による結束性など多くの談話要素から重要文を選択していく論説文要約システム(GREEN)を発表している．このシステムは談話要素を利用したものではあるが，文章の局所的な特徴を基に文を抽出するもので，本研究の立場からすれば文章全体の構造に基づく抽出と，電子化された大量のコーパス利用を考慮した抽出手法や手法の評価が必要と考える．また，亀田\cite{Kameda:97}は重要文の抽出の際に文章の中で小さなまとまりを示す段落や，一種の要約情報である文の見出しに着目する手法を提案，実現しているが，重要度計算の調整は人手により，系統的でないところが感じられる．さて，重要文の抽出に用いられるテキスト中の表層的特徴については，\cite{Okumura:98}にサーベイがある．これによると，Paice\cite{Paice:90}の分類として，(1)キーワードの出現頻度によるもの，(2)テキスト，段落中の位置情報によるもの，(3)タイトル等の情報によるもの，(4)文章の構造によるもの，(5)手がかり語によるもの，(6)文や単語間のつながりによるもの，(7)文間の類似性によるものがあげられている．本研究での手法は，上記のかなりの要素を組み合わせてパラメタとして利用している．いくつかの観点からのパラメタを組み合わせるという同様な手法として，\cite{Watanabe:96}，\cite{Nomoto:97}がある．それぞれ，重回帰分析，決定木学習により訓練データから自動学習するものである．われわれの手法は，構造木に関する情報を特に重視している．人間は，目的の意見，主張を読み手に伝えるために，意識下／無意識下に文章構成の約束に基づいて文章生成を行なっているが，それらの文章に論証性を持たせるためのものが文章構造である．また逆に，文章を理解し論旨を捉える際に文章構造を活用していると考えられる．したがって，文章の抄録にあたり，論旨を捉え，文章構造を理解した上で重要文を抽出していく手法は人間の文章抄録の流れに沿っており，ごく自然であると考えられる．実際，\cite{Marcu:97}では，人間の手による生成ではあるが文間の関係を解析した修辞構造生成後の文抽出の再現率，適合率は良好と報告されている．われわれの手法でも，修辞構造を含めた文章構造解析による情報を利用する．文章構造解析には田村ら\cite{Tamura:98}の分割と統合による構造解析手法を利用する．文章抄録には，構造解析で用いたパラメタに加えて，得られた文章構造上の情報についてのパラメタにより文抽出のための判定式を作り，それを基にして抄録を作成する．判定式とパラメタの重みの決定は重回帰分析に基づき，その訓練のため，およびシステムの評価のための基準データは，被験者に対するのべ350編の抄録調査による．なお，実験の対象とした文章は，均一な文章が容易に入手可能であるとの理由から，新聞の社説を用いる．一方，原文から単に文を選ぶだけの文章抄録では，選択された文間の隣接関係が不自然になる場合がある．また，たとえ選択された一文でも文内には冗長な表現が残っている場合がある．そこで，自動要約に向けては，抄録後になんらかの文章整形過程が必要である．本研究では，抄録の整形過程としての照応処理と，一文の圧縮処理を行なう．以下，第2章では文章抄録，要約のための文章構造解析について述べ，第3章では文章の自動抄録の手法について説明する．第4章では，提案の手法について再現率，適合率により評価検討を行う．最後に付録として，抄録の整形過程について述べ，実際に要約した文章例を示す．
V19N04-03	本論文では対象単語の用例集合から，その単語の語義が新語義（辞書に未記載の語義）となっている用例を検出する手法を提案する．新語義の検出は語義曖昧性解消の問題に対する訓練データを作成したり，辞書を構築する際に有用である．また新語義の検出は意味解析の精度を向上させる\cite{erk}．また新語義の用例はしばしば書き誤りとなっているので，誤り検出としても利用できる．新語義検出は一般にWordSenseDisambiguation(WSD)の一種として行う方法，新語義の用例をクラスターとして集めるWordSenseInduction(WSI)のアプローチで行う方法\cite{denkowski}，及び新語義の用例を用例集合中の外れ値とみなし，外れ値検出の手法を用いる方法\cite{erk}がある．ここでは外れ値検出の手法のアプローチを取る．ただしデータマイニングで用いられる外れ値検出の手法は教師なしであるが，本タスクの場合，少量の用例に語義のラベルが付いているという教師付きの枠組みで行う方が自然であり，ここでは教師付き外れ値検出の手法を提案する．提案手法は2つの検出手法を組み合わせたものである．第1の手法は代表的な外れ値検出手法であるLocalOutlierFactor(LOF)\cite{lof}を教師付きの枠組みに拡張したものである．第2の手法は，対象単語の用例（データ）の生成モデルを用いたものである．一般に外れ値検出はデータの生成モデルを構築することで解決できる．提案手法では第1の手法と第2の手法の出力の積集合を取ることで，最終の出力を行う．提案手法の有効性を確認するために，SemEval-2の日本語WSDタスク\cite{semeval-2010}のデータを利用した．従来の外れ値検出の手法と比較することで提案手法の有効性を示す．実験を通して，外れ値検出に教師データを利用する効果も確認する．またSVMによるWSDの信頼度を利用した外れ値検出も行い，WSDシステム単独では新語義の検出は困難であることも示す．
V23N02-02	近年，ビッグデータに象徴されるように，世の中のデータ量は飛躍的に増大しているが，教育分野ではそれらのデータをまだ十分に活用している状態には至っていない．例えば，Lang-8というSNSを利用した言語学習者のための作文添削システムがある．現在，このウェブサイトは600,000人以上の登録者を抱えており，90の言語をサポートしている．このサイトでは，ユーザーが目標言語で書いた作文を入力すると，その言語の母語話者がその作文を添削してくれる．このウェブサービスにより蓄積されたデータは，言語学習者コーパスとして膨大な数の学習者の作文を有している\footnote{http://lang-8.com}.それらは言語学習者コーパスとして調査や研究のための貴重な大規模資源となりえるが，それらを教師や学習者がフィードバックや調査分析などに利用したい場合，誤用タイプの分類などの前処理が必要となる．しかしながら，日本語教師のための学習者コーパスを対象とした誤用例検索システムを構築するというアプリケーションを考えると，誤用タイプに基づいて得られる上位の事例に所望の誤用タイプの用例が表示されればよい．つまり，人手で網羅的に誤用タイプのタグ（以後，「誤用タグ」と呼ぶ）を付与することができなくても，一定水準の適合率が確保できるのであれば，自動推定した結果を活用することができる．そこで，本稿では実用レベル（例えば，8割程度）の適合率を保証した日本語学習者コーパスへの誤用タグ付与を目指し，誤用タイプの自動分類に向けた実験を試みる．学習者の作文における誤用についてフィードバックを行ったり，調査分析したりすることは，学習者に同じ誤りを犯させないようにするために必要であり，学習者に自律的な学習を促すことができる\shortcite{holec,auto_umeda}．そのため，学習者の例文を誤用タイプ別に分類し，それぞれの誤用タイプにタグを付与した例文検索アプリケーションは教師や学習者を支援する有効なツールとなり得る．現在まで，誤用タグ付与作業は人手に頼らざるを得なかったが，\lh\hbox{}のようなウェブ上の学習者コーパスは規模が大きく，かつ日々更新されるため，人手によって網羅的に誤用タグを付与することは困難である．誤用タイプの自動分類を行うことで，誤用タグ付与作業を行う際，人手に頼らなくてもよくなり，人間が誤用タグ付与を行う際の判定の不一致や一貫性の欠如などの問題を軽減しうる．これまでは，このような誤用タグの自動付与というタスクそのものが認知されてこなかったが，自動化することで大規模学習者コーパスを利活用する道を拓くことができ，新たな応用や基礎研究が発展する可能性を秘めている．今回，誤用タグが付与されていない既存の日本語学習者コーパスに対し，階層構造をもった誤用タイプ分類表を設計し，国立国語研究所の\ty\hbox{}の事例に対してタグ付け作業を行った．次に，階層的に誤用タイプの分類を行う手法を提案し，自動分類実験を行った．誤用タイプ分類に用いるベースライン素性として，単語の周辺情報，統語的依存関係を利用した．さらに，言語学習者コーパスから抽出した拡張素性として1)正用文と誤用文の文字列間の編集距離，2)ウェブ上の大規模コーパスから算出した正用箇所と誤用箇所の置換確率を用い，それらの有効性を比較した．本研究の主要な貢献は，以下の3点である．\begin{itemize}\item誤用タグが付与されていない国語研の作文対訳DBに誤用タグを付与し，\ngc\hbox{}を作成した．異なるアノテーターによって付与されたタグの一致率が報告された日本語学習者誤用コーパスは，我々の知る限り他に存在しない．\item\ngc\hbox{}を対象に機械学習による誤用タイプ自動分類実験を行い，かつアプリケーションに充分堪えうる適合率を実現した（8割程度）．英語学習者コーパスの誤用タイプの自動分類タスクは過去に提案されている\cite{swanson}が，日本語学習者コーパスの誤用タイプの自動分類タスクに取り組んだ研究はこれが初めてであり，将来的には学習者コーパスを対象とした誤用例検索システムを構築するアプリケーションの開発を目指しているため，その実現化に道筋を付けることができた．\itemタグの階層構造を利用した階層的分類モデルを提案し，階層構造を利用しない多クラス分類モデルと比較して大幅な精度向上を得られることを示した．また，英語学習者の誤用タイプ自動分類で提案されていた素性に加え，大規模言語学習者コーパスから抽出した統計量を用いた素性を使用し，その有効性を示した．\end{itemize}
V25N05-04	文法誤り訂正(GrammaticalErrorCorrection:GEC)は，言語学習者の書いた文の文法的な誤りを訂正するタスクである．GECは本質的には機械翻訳や自動要約などと同様に生成タスクであるため，与えられた入力に対する出力の正解が1つだけとは限らずその自動評価は難しい．そのため，GECの自動評価は重要な課題であり自動評価尺度に関する研究が多く行われてきた．GECシステムの性能評価には，システムの出力を正解データ（参照文）と比較することにより評価する手法（参照有り手法）が一般的に用いられている．この参照有り手法では，訂正が正しくても参照文に無ければ減点されるため，正確な評価のためには可能な訂正を網羅する必要がある．しかし参照文の作成は人手で行う必要があるためコストが高く，可能な訂正を全て網羅することは現実的ではない．この問題に対処するため，\citeA{Napoles2016}は参照文を使わず訂正文の文法性に基づき訂正を評価する手法を提案した．しかし参照有り手法であるGLEU\cite{Sakaguchi2016}を上回る性能での評価は実現できなかった．そこで本論文では\citeA{Napoles2016}の参照無し手法を拡張し，その評価性能を調べる．具体的には，\citeA{Napoles2016}が用いた文法性の観点に加え，流暢性と意味保存性の3観点を考慮する組み合わせ手法を提案する．流暢性はGECシステムの出力が英文としてどの程度自然であるかという観点であり，意味保存性は訂正前後で文意がどの程度保たれているかという観点である．各評価手法により訂正システムの性能の評価を行ったところ，提案手法が参照有り手法であるGLEUよりも人手評価と高い相関を示した．これに加えて，各自動評価尺度の文単位での評価性能を調べる実験も行った．文単位での評価が適切にできれば，GECシステムの人手による誤り分析に有用であるが文法誤り訂正の自動評価において文単位の性能を調べた研究はこれまでない．そこで，文単位評価の性能を調べる実験を行ったところ，提案した参照無し手法が参照有り手法より高い性能を示した．この結果を受けて，参照無し手法のもうの可能性も調査した．参照無し手法は正解を使わずに与えられた文を評価できるため，複数の訂正候補の中から最も良い訂正文を選択するために本手法が使えると考えられる．このことを実験的に確かめるために複数のGECシステムの出力を参照無しで評価し，最も良いものを採用するアンサンブル手法の誤り訂正性能を調べたところ，アンサンブル前のシステムの性能を上回った．
V14N03-12	近年，機器の高機能化がますます進み，我々の生活は非常に便利になってきている．しかし一方では，それらの機器を使いこなせないユーザが増えてきていることもまた事実である．この原因としては，高機能化に伴い，機器の操作が複雑化していることが考えられる．この問題を解決する一つの手段に，新しいユーザインタフェースの開発を挙げることができる．これまでにも，音声認識や手書き文字認識など，日常生活で慣れ親しんでいる入力を扱うことによる使いやすい機器の開発がなされており，一定の成果を挙げてはいるが，未だ万人に受け入れられるインタフェースとしては完成していない．これは，入力されたデータを規則に沿って処理しているだけであり，ユーザが置かれている状況や立場・気持ちを理解することなく，単純に処理していることにより，便利であるはずのインタフェースが，かえって人に不便さや不快感を与える結果になっていることが原因であると考えられる．そこで，我々は，新しいインタフェースとして，人間のコミュニケーションの仕組み，特に，常識的な判断の実現を目標に研究を行っている．人間はコミュニケーションにおいて，あいまいな情報を受け取った場合にも，適宜に解釈し円滑に会話を進めることができる．これは，人間が長年の経験により，言語における知識を蓄積し，その基本となる概念に関する「常識」を確立しているからである．人間が日常的に用いている常識には様々なものがある．例えば，言葉の論理性に関する常識，大きさや重さなどの量に関する常識，季節や時期などの時間に関する常識，暑い・騒がしい・美味しい・美しいといった感覚に関する常識，嬉しい・悲しいといった感情に関する常識などを挙げることができる．これらの常識を機器に理解させることができれば，ユーザは人とコミュニケーションをとるように機器をごく自然に使いこなすことができると考えられる．これまでにも，前述した常識に関する判断を実現する手法についての研究がなされている\cite{horiguchi:02,watabe:04,kometani:03,tsuchiya:05}．そこで本稿では，これらの常識の中の感情に着目し，ユーザの発話文章からそのユーザの感情を判断する手法を確立し，実システムによりその有効性を検証する．本システムにより例えば，提供しようとしている内容にユーザが不快感を覚える表現や不快な事象を想起させるような内容が含まれている場合に，別の適切な表現に変更することができるなどの効果が期待できる．本稿のように，感情に主眼を置いた研究はこれまでにもなされている．例えば，イソップワールドを研究の対象に置き，「喜び」，「悲しみ」など8種類の感情に応じた特徴を現在の状況から抽出し，それら複数の特徴を組み合わせることによってエージェントの感情を生成させる研究がある\cite{okada:92,okada:96,tokuhisa:98}．この手法では，エージェントの処理を内部から監視することによって，感情生成のための特徴を抽出している．また，\cite{mera:02}では，語彙に対する好感度を利用し，発話文章から話者の快・不快の感情を判断している．これらの先行研究では，あらかじめ知識として獲得している語彙以外は処理を行うことができない．また，判断できる感情の種類が少なく，表現力に乏しいという問題点が挙げられる．一方，本稿で提案する手法では，連想メカニズムを利用することにより，知識を獲得している語彙との意味的な関連性を評価することができ，知識として獲得していない語彙に関しても適切に処理を行うことが可能であると共に，多彩な感情を判断できることに独自性・優位性があると考えられる．
V21N03-05	\label{sec:introduction}これまで，主に新聞などのテキストを対象とした解析では，形態素解析器を始めとして高い解析精度が達成されている．しかし近年，解析対象はWebデータなど多様化が進んでおり，これらのテキストに対しては既存の解析モデルで，必ずしも高い解析精度を得られるわけではない\cite{Kudo:Ichikawa:Talbot:Kazawa:2012j,Katsuki:Sasano:Kawahara:Kurohashi:2011j}．本稿では，そうしたテキストの一つである絵本を対象とした形態素解析の取り組みについて述べる．絵本は幼児の言語発達を支える重要なインプットの一つであり\cite{Mother-child:Ehon:2006}，高い精度で解析できれば，発達心理学における研究や教育支援，絵本のリコメンデーション\cite{Hattori:Aoyama:2013j}などへの貢献が期待できる．\begin{table}[b]\caption{絵本の文の解析例}\label{tb:morph-ex}\input{1008table01.txt}\par\vspace{4pt}\small解析結果の出現形，原形，品詞を記載．\\ただし，\kyteaの配布モデルでは原形は出力されない．品詞は適宜簡略化して表示．\par\end{table}絵本の多くは子供向けに書かれており，わかりやすい文章になっていると考えられる．それにも関わらず，既存の形態素解析器とその配布モデルでは，必ずしもうまく解析できない．なお本稿では，\pos{モデル}を，既存の形態素解析器に与えるパラメタ群という意味で用いる．表~\ref{tb:morph-ex}に，既存の形態素解析器である\juman\footnote{http://nlp.ist.i.kyoto-u.ac.jp/index.php?JUMAN,ver.7.0を利用．}\cite{juman:7.0j}，\chasen\footnote{http://chasen-legacy.sourceforge.jp/,ver.2.4.4を利用．}\cite{chasen:2.4.4j}，\mecab\footnote{http://mecab.googlecode.com/svn/trunk/mecab/doc/index.html,ver0.996,辞書はmecab-ipadic-2.7.0-20070801を利用．}\cite{Mecab}，\kytea\footnote{http://www.phontron.com/kytea/,ver.0.4.3を利用．}\cite{Mori:Nakata:Graham:Kawahara:2011j}とその配布モデルで絵本の文を解析した場合の例を示す．解析器によって誤り方は異なるが，すべて正しく解析できた解析器はなく，既存のモデルでは絵本の解析が難しいことがわかる．これは，一般的な形態素解析モデルを構築するときに用いられる学習データ（ラベルありデータ）と，解析対象である絵本のテキストでは傾向が大きく異なるためだと考えられる．このように，学習データと解析対象の分野が異なる場合には，形態素解析に限らず機械学習を用いる多くのタスクで精度が低下するため，それに対応するための様々な手法が提案されてきた．\citeA{Kamishima:2010j}は，この問題に対処するための機械学習の方針として，半教師あり学習，能動学習，転移学習の三つを挙げている．まず，半教師あり学習は，少数のラベルありデータを準備し，多数のラベルなしデータを活用して予測精度を向上させる手法であり，日本語では単語分割を行う手法が提案されている\cite{Hagiwara:Sekine:2012j}．能動学習は，より効率的な分類ができるように選んだ事例にラベルを付与する．日本語形態素解析では，確信度の低い解析結果に対して優先的に正解ラベルを付与していくことで，対象分野の解析精度を効率的に改善する方法が提案されている\cite{Mori:2012j,Neubig:Nakata:Mori:2011}．転移学習は，関連しているが異なる部分もあるデータから，目的の問題にも利用できる情報・知識だけを取り込んで，より予測精度の高い規則を得ることを目標とする\cite{Kamishima:2010j}．転移学習は，元の分野と対象分野のラベルありデータの有無によって分類ができる．本稿では，対象分野のラベルありデータが無い場合を教師なし分野適応，ある場合を教師あり分野適応と呼ぶ．\citeA{Kudo:Ichikawa:Talbot:Kazawa:2012j}が提案した，Web上のひらがな交じり文に対する形態素解析精度向上の手法では，大量のWeb上の生コーパスを利用しているが，対象分野のラベルありデータは用いておらず，教師なし分野適応の一種と言える．いずれの先行研究も優れた利点がある．しかし，本稿で対象とする絵本のように，これまで対象とされてきたコーパスと全く異なり，かつ，大量のデータの入手が困難な場合，これらの先行研究をそのまま適用しても高い精度を得ることは難しい．まず，絵本の大量の生コーパスが存在するわけではないため，Webデータを対象とする場合のような，大量の生コーパスを用いた半教師あり学習は適さないと考えられる．能動学習はすぐれた分野適応の方法であるが，本稿のように，ベースとなる初期モデルの学習に利用できる学習データと対象分野との差異が非常に大きい場合，解析誤りが多すぎ，結局ほぼ全文の解析結果を修正しつつラベルを付与する必要に迫られることになる．\citeA{Kudo:Ichikawa:Talbot:Kazawa:2012j}の方法は，ひらがな交じり文を対象としており，絵本の解析にも比較的適していると考えられる．しかし，絵本の場合，ひらがな交じりというより，全文がひらがなで記述されることも多く，高い精度で解析できるとは言えない．そもそも，対象分野のラベルありデータを十分に得ることができれば，通常，教師あり学習により高い精度が得られる．しかし，対象分野のラベルありデータを作成するためにも，何らかの形態素解析器による解析結果を修正する方法が一般的であり，そもそもの形態素解析精度が低いとラベルありデータの作成に，コストと時間が非常にかかることになる．そこで本稿では，既存の辞書やラベルありデータを，対象分野の特徴にあわせて自動的に変換し，それを使って形態素解析モデルを構築する教師なし分野適応手法を提案する．提案手法では，既存の言語資源を活用することで，コストと時間をかけずに，対象分野の解析に適した形態素解析モデルを得ることが出来る．また，こうして得た初期モデルの精度が高ければ，さらに精度を高めるための能動学習や，ラベルありデータの構築にも有利である．本稿では，提案手法で構築したモデルをさらに改良するため，絵本自体へのアノテーションを行って学習に利用した教師あり分野適応についても紹介する．以降，まず\ref{sec:target}章では，解析対象となる絵本データベースの紹介を行い，新聞などの一般向けテキストと絵本のテキストを比較し，違いを調査する．\ref{sec:morph-kytea}章では，本稿で形態素解析モデルの学習に利用する解析器やラベルありデータ，辞書，および，評価用データの紹介を行う．\ref{sec:bunseki}章では，絵本のテキストを漢字に変換した場合などの精度変化を調査することで，絵本の形態素解析の問題分析を行う．\ref{sec:morph}章では，\ref{sec:target}章，\ref{sec:bunseki}章の調査結果に基づき，解析対象である絵本に合わせて，既存の言語資源であるラベルありデータと辞書を変換する方法を提案する．\ref{sec:exp-adult}章では，これらを学習に用いる教師なし分野適応の評価実験を行い，提案手法による言語資源の変換の効果を示す．さらに，\ref{sec:exp-add-ehon}章では，絵本のラベルありデータを学習に利用する教師あり分野適応の評価実験を行う．また同時に，提案手法によって得られるラベルありデータが，どの程度の絵本自体のラベルありデータと同程度の効果になるかも評価する．\ref{sec:kousatsu}章では，前章までに得たモデルをさらに改良するための問題分析と改良案の提示を行い，提案手法の絵本以外のコーパスへの適用可能性についても考察する．最後に\ref{sec:conclusion}章では，本稿をまとめ，今後の課題について述べる．
V06N05-04	多言語話し言葉翻訳システムの処理には，文法から逸脱した表現などを含めた多様な表現を扱える頑健性，円滑なコミュニケーションのための実時間性，原言語と目的言語の様々なペアに適用できる汎用性，が必要である．多様な話し言葉表現をカバーするために詳細な構文意味規則を大量に記述する規則利用型(rule-based)処理は，多言語翻訳にとっては経済的な手法でない．一方，用例利用型(example-based)処理は，翻訳例の追加により翻訳性能を向上させていく汎用性の高い手法である．ただし，生データに近い状態の翻訳例をそのまま使うと，入力文に類似する翻訳例が存在しない場合が多くなる，翻訳例を組み合わせて翻訳結果を作り上げるには高度な処理が必要になる，などの問題が起こり，多様な表現に対して高精度の翻訳を実現することが困難になる．そこで，単純な構文構造や意味構造へ加工した用例を組み合わせて利用すれば，単純な解析を使うことによって頑健性も汎用性も高い翻訳処理が実現できる．筆者らは，パタン照合(patternmatching)による構文解析と用例利用型処理を用いた変換主導型機械翻訳(Transfer-DrivenMachineTranslation,以下，TDMTと呼ぶ)を話し言葉の翻訳手法として提案し，「国際会議に関する問い合わせ会話」を対象とする日英翻訳にTDMTを適用した~\cite{Furuse}．しかし，この時点のTDMTは，頑健性，実時間性，汎用性においてまだ問題があった．文献\cite{Furuse}では，多様な表現をカバーするために，表層パタンと品詞列パタンの使い分け，パタンを適用するための入力文の修正，などを行なっていた．例えば，名詞列について，ある場合は複合名詞を表すのに品詞列パタンを照合させ，別の場合は助詞を補完して表層パタンを照合させていた．しかし，どのようにパタンを記述すべきか，どのような場合にどのように入力文を修正すべきか，などの基準が不明瞭であった．そのため，誤った助詞を補完したり，補完の必要性を正確に判別できなかったりする場合があり，多言語翻訳へ展開するための汎用性に問題を残していた．また，限られた長さの複合名詞を品詞列パタンにより記述していたため，任意の長さの複合名詞を扱うことができないなど，頑健性にも問題があった．さらに，解析途中で構文構造候補を絞り込むことができない構文解析アルゴリズムを採用していたため，構文的な曖昧性の多い複文などに対して処理時間が増大するという実時間性の問題もあった．本論文では，これらの問題を解決するために，表層パタンのみを用いた統一的な枠組で，パタンの記述や照合，入力文の修正を行なう構成素境界解析(constituentboundaryparsing)を提案し，構成素境界解析を導入した新しいTDMTが多言語話し言葉翻訳~\cite{Furuse95,Yamamoto96}に対して有効な手法であることを評価実験結果により示す．また，構成素境界解析では，チャート法に基づくアルゴリズムで逐次的(left-to-right)に入力文の語を読み込んで，解析途中で候補を絞り込みながらボトムアップに構文構造を作り上げることにより，効率的な構文解析が行なえることも示す．現在は，「国際会議に関する問い合わせ会話」よりも場面状況が多様である「旅行会話」を翻訳対象とし，日英双方向，日韓双方向などの多言語話し言葉翻訳システムを構築している．システムは，構成素境界解析と用例利用型処理を組み合わせた新しいTDMTの枠組により，多様な表現の旅行会話文を話し手の意図が理解可能な結果へ実時間で翻訳することができる．パタンや用例を利用する頑健な翻訳手法として，原言語と目的言語のCFG規則を対応させたパタンを入力文に照合させる手法~\cite{Watanabe}，詳細な構文意味規則を利用する翻訳を併用する手法なども提案されている~\cite{Brown,Kato,Shirai}．前者は，表層語句だけでなく細かい属性を使ってパタンを記述することがあり，パタンの記述は必ずしも容易でない．また，解析中で競合するCFG規則が多くなり処理時間が増大しやすい．後者は，入力文がパタンや用例にヒットすれば高品質の翻訳結果を得られるが，多様な入力文に対して高いヒット率を実現するのは容易ではない．また，多言語翻訳へ展開する際に，様々な言語ペアの翻訳に対して詳細な構文意味規則をそれぞれ用意するのも容易でない．これらの手法に比べて，TDMTは，表層パタンのみの照合を行なうので，実時間性の点で有利である．パタンの記述も容易であり，パタンを組み合わせることにより，他の翻訳手法を併用しなくても多様な入力文に対応でき，頑健性においても，多言語翻訳を実現する汎用性においても有利である．以下，2節で構成素境界解析と用例利用型処理を組み合わせたTDMTの枠組，3節でパタンによる構文構造の記述，4節で構成素境界解析による構文構造の導出，5節で用例利用型処理による最尤の原言語構文構造の決定法と目的言語への変換，6節で解析途中での構文構造候補の絞り込み，について説明し，7節で日英双方向と日韓双方向の話し言葉翻訳の評価実験結果により，本論文で提案するTDMTの有効性を示す．
V05N01-04	本研究では，論説文の文章構造についてモデル化し，それに基づいた文章解析について論じる．近年のインターネットや，電子媒体の発達などにより大量の電子化された文書が個人の周囲にあふれてきており，文書理解，自動要約等，これらを自動的に処理する手法の必要性が増している．文章の構造化はそれらの処理の前提となる過程であるが，人間がその作業を行なう場合を思えば容易に分かるように，元来非常に知的な処理である．しかし，大量の文書を高速に処理するためには，記述されている領域に依存した知識を前提とせず，なるべく深い意味解析に立ち入らない「表層的」な処理により行なうことが求められる．文末表現から文章構造を組み立てる手法，表層的な表現から構造化する手法，また，テキスト・セグメンテーションの手法もいくつか提案されているが，画一的な観点からの文章の構造化では，大域的構造，局所的構造，両者をともに良好に解析する手法は少ない．我々の手法では，トップダウン的解析とボトムアップ的解析の双方の利点を活かし，文章の木構造を根から葉の方向へ，葉から根の方向へと同時に生成していく．これらのアルゴリズムは，相互に再帰的な二つのモジュールにより構成されている．我々の目的は，Shankらに代表されるような「深い意味解析」が必要な談話理解過程を論じるものではない．むしろ，文章における結束関係\cite{Halliday:76}や連接関係の理解過程のモデル化を目標としている．この分野の研究については，たとえば\cite{Abe:94}にサーベイされている．なかでも，目的と手法が似ているものは，\cite{Dahlgren:88,Dahlgren:89}のCRA(coherencerelationassignment)アルゴリズムであろう．しかし，彼女らの手法は局所的構造と大域的構造を別々に作るようである．日本語の文章の連接関係の解析では，\cite{Fukumoto:91,Fukumoto:92}や，\cite{Kurohashi:94}などがあり，文末の表現や表層的な情報により文章の構造化を試みているが，局所的な解析には適した手法だが，大域的には十分な解析精度は得にくいと思われる．以下，第２章では前提となる文章構造のモデルを提案し，第３章ではトップダウン的解析アプローチについて，第４章ではボトムアップ的解析アプローチについて述べ，第５章で両者を融合した解析手法について説明する．最後に第６章で実験結果と本手法についての評価を述べる．
V08N03-07	日本語とウイグル語は共に膠着語である．膠着語には，概念などを表し単独で文節を構成することが可能な自立語と，単独で文節になることはなく，自立語に接続して，その自立語の文中での役割を示したり，自立語に新たな意味を付加する付属語の区分がある．膠着語では，付属語がよく発達しており，言語構造上重要な役割を果たす．これらの特徴は，日本語とウイグル語だけでなく，韓国語，トルコ語，モンゴル語などのアルタイ語系に属する言語に共通するものと考えられている\cite{JPORG}．このグループに属する言語間の機械翻訳については，グローバル化の流れの中で多言語間機械翻訳の重要性が高いにもかかわらず，これまでほとんど行われておらず，日本語と韓国語との翻訳について研究されているのが目立つに過ぎない．そのような状況の中で，ムフタル，小川らは，日本語--ウイグル語機械翻訳の研究を開始した．ムフタル，小川らは，これらの言語に共通する特徴を有効に利用した日本語--ウイグル語機械翻訳の研究を進めている\cite{SHURON}\cite{OGAWA2000}．その特徴の一つは語順の自由度である．日本語は語順が比較的自由であると言われ，例えば，(1)「私が本を買った」と(2)「本を私が買った」は，いずれも日本語として正しい表現である．これは，日本語では文節の役割が付属語によって示されるためである．この性質は同じ膠着語であるウイグル語にも見られ，(1)の直訳となる``m!enkitapnisetiwaldim''という表現も，``m!en''(私)と``kitap''(本)を入れ替えて(2)の直訳とする``kitapnim!ensetiwaldim''という表現も，いずれもウイグル語として可能である．そのため，日本語文をウイグル語へ翻訳する場合，日本語の語順そのままに翻訳が可能である．そこで，ムフタルらは，日本語文の形態素解析結果を逐語訳することを基本とした日本語--ウイグル語機械翻訳システムを開発している．特に\cite{OGAWA2000}では，動詞句の翻訳に焦点を当て，派生文法\cite{KIYOSE1991}を利用することで動詞付属語を含めた動詞句に対して自然なウイグル語訳を与えることを可能としている．ところで，日本語からウイグル語へ語順そのままでの翻訳が可能なのは，名詞付属語，特に格助詞によって文節の役割が明示されているからである．これも，日本語とウイグル語に共通する特徴の一つである．しかし，このことは，格助詞を正しく翻訳できなかった場合は翻訳文が意味不明なものになることを意味する．そこで，本論文では，日本語--ウイグル語機械翻訳の中での格助詞の取り扱いを検討する．格助詞は日本語だけでなくウイグル語にも存在し，例えば\cite{TAKEUTI}では，格語尾と呼ばれている．日本語の格助詞とウイグル語の格助詞には対応関係が見られるが，いわゆる多義性の問題が存在し，日本語の格助詞に複数のウイグル語格助詞が対応する場合がある．本論文では，単に格助詞を翻訳するだけでなく，こうした格助詞の多義性も考慮して適切な格助詞の翻訳を行う手法を提案する．日本語と他の膠着語との間の機械翻訳に関する研究では，日韓機械翻訳が盛んである\cite{KMT4,H_LEE1989,J_KIM1996_2,C_PARK1997}．これらの研究の多くは，日本語と韓国語の語順の類似性や，格形式の類似性を利用し，逐語訳を基本とする翻訳が進められており，比較的品質の良い翻訳を実現しているが，その一方で，語彙の多義性の解消が重要な課題であることが指摘されている\cite{KMT4}．多義性に関する研究については，\cite{H_LEE1989,J_KIM1996_2,C_PARK1997}などがあり，動詞の格パターンと意味解析を利用する手法\cite{H_LEE1989}，入力文の前後に出現する単語との接続関係を利用する手法\cite{J_KIM1996_2}，連語パターンを用いる手法\cite{C_PARK1997}などが提案されている．本論文では，品質の高い日本語--ウイグル語機械翻訳システムの構築を目指して，動詞の格パターンを利用した，格助詞の翻訳手法を提案する．まず，計算機用日本語基本動詞辞書IPAL\cite{IPAL}を用いて両言語の格助詞間の対応関係について詳細な調査を行うとともに，動詞の格パターンを獲得する．さらに，それを利用した格助詞の変換処理を実現し，評価実験を行った．評価実験に使用する日本語--ウイグル語機械翻訳システムは\cite{OGAWA2000}で提案されたシステムに，本論文で提案する格助詞変換処理のモジュールを加えたものである．この方法では，あらかじめ獲得した格パターンと格助詞の対訳の情報を，必要に応じて日本語--ウイグル語の対訳辞書のウイグル語動詞に付加する．実際の翻訳の過程は，まず，翻訳対象である日本語入力文を形態素解析し，それぞれの形態素をウイグル語に逐語訳する．この段階で，すべての単語にデフォルトのウイグル語訳が与えられる．次に，ウイグル語動詞に付加された格パターンと，入力文中に出現した格パターンとを比較し，デフォルト訳では不自然な訳語となる格助詞を適切な他の訳語に置き換える．最後に，訳出のウイグル語形態素を接続してウイグル語文を生成する．本論文では，ウイグル語における同じ格助詞の音便形を，すべて一つに統合して議論する．例えば，格助詞``g!e''は，音便変化により``!ga''，``k!e''，``!ka''などの形もとるが，本論文中では，すべて``g!e''と表記する．なお，実際の翻訳システムでは，最後のウイグル語文生成の段階で音便形に従って変化させる．また，ウイグル語には，日本語には存在しない人称接尾辞がある．例えば，同じ「買う」でも，「私が買う」``m!ensetiwali\underline{m!en}''と「彼が買う」``usetiwali\underline{du}''では，下線部に示すように，それぞれ別々の人称接尾辞が接続する．しかし，本論文中では，いくつかの例文を除いて三人称に統一して議論する．ウイグル語には，アラビア文字に似た32の文字があり，文は右から左へと書かれる．それとは別に，ローマ字表記を用いる場合もあり，本論文では，便宜上，ローマ字表記を用いることにする．不足する文字の代わりに，!c,!e,!g,!h,!k,!o,!s,!u,!zを用いる．ウイグル文字とローマ字表記の対応に関しては，付録Aを参照されたい．本論文の構成は以下の通りである．まず2章では，日本語--ウイグル語機械翻訳における格助詞の重要性とその問題点について指摘する．3章では，計算機用日本語基本動詞辞書IPAL\cite{IPAL}における格助詞の使用状況と，対応するウイグル語訳語の分布に関する調査結果を示す．4章では，本論文で提案する日本語--ウイグル語機械翻訳における格助詞の変換処理について述べ，5章で本手法に基づく実験結果を示す．6章は本論文のまとめである．
V02N04-02	\label{intro}日本語マニュアル文では，次のような文をしばしば見かける．\enumsentence{\label{10}長期間留守をするときは，必ず電源を切っておきます．}この文では，主節の主語が省略されているが，その指示対象はこの機械の利用者であると読める．この読みにはアスペクト辞テオク(実際は「ておきます」)が関与している．なぜなら，主節のアスペクト辞をテオクからテイルに変えてみると，\enumsentence{\label{20}長期間留守をするときは，必ず電源を切っています．}マニュアルの文としては既に少し違和感があるが，少なくとも主節の省略された主語は利用者とは解釈しにくくなっているからである．もう少し別の例として，\enumsentence{\label{30}それでもうまく動かないときは，別のドライブから立ち上げてみます．}では，主節の省略されている主語は，その機械の利用者であると読める．このように解釈できるのは，主節のアスペクト辞テミルが影響している．仮に，「みます」を「います」や「あります」にすると，マニュアルの文としてはおかしな文になってしまう．これらの例文で示したように，まず第一にマニュアル文においても，主語は頻繁に省略されていること，第二に省略された主語の指示対象が利用者なのかメーカーなのか，対象の機械やシステムなのかは，テイル，テアルなどのアスペクト辞の意味のうち，時間的アスペクトではないモダリティの意味に依存する度合が高いことが分かる．後の節で述べることを少し先取りしていうと，a．利用者，メーカー，機械などの動作が通常，意志的になされるかどうかと，b．文に記述されている動作が意志性を持つかどうか，のマッチングによって，省略されている主語が誰であるかが制約されている，というのが本論文の主な主張である．このようなモダリティの意味として，意志性の他に準備性，試行性などが考えられる．そして，意志性などとアスペクト辞の間に密接な関係があることが，主語とアスペクト辞の間の依存性として立ち現れてくる，という筋立てになる．なお，受身文まで考えると，このような考え方はむしろ動作などの主体に対して適用されるものである．そこで，以下では考察の対象を主語ではなく\cite{仁田:日本語の格を求めて}のいう「主(ぬし)」とする．すなわち，仁田の分類ではより広く(a)対象に変化を与える主体，(b)知覚，認知，思考などの主体，(c)事象発生の起因的な引き起こし手，(d)発生物，現象，(e)属性，性質の持ち主を含む．したがって，場合によってはカラやデでマークされることもありうる．若干，複雑になったが簡単に言えば，能動文の場合は主語であり，受身文の場合は対応する能動文の主語になるものと考えられる．以下ではこれを{\dg主}と呼ぶことにする．そして，省略されている場合に{\dg主}になれる可能性のあるものを考える場合には、この考え方を基準とした．マニュアル文の機械翻訳などの処理においては，省略された{\dg主}の指示対象の同定は重要な作業である．したがって，そのためには本論文で展開するような分析が重要になる．具体的には，本論文では，マニュアル文において，省略された{\dg主}の指示対象とアスペクト辞の関係を分析することによって，両者の間にある語用論的な制約を明らかにする．さて，このような制約は，省略された{\dg主}などの推定に役立ち，マニュアル文からの知識抽出や機械翻訳の基礎になる知見を与えるものである．さらに，実際にマニュアル文から例文を集め，提案する制約を検証する．なお，本論文で対象としているマニュアル文は，機械やシステムの操作手順を記述する文で，特にif-then型のルールや利用者がすべき，ないしは，してはいけない動作や利用者にできる動作などを表現するような文である．したがって，「ひとことで言ってしまえば」のような記述法についての記述はここでは扱わない.
V20N02-04	文書分類においてNaiveBayes(NB)を利用するのは極めて一般的である．しかし，多項モデルを用いたNB分類器では，クラス間の文書数に大きなばらつきがある場合に，大きく性能が下がるという欠点があった．そのため，\citeA{Rennie}は「クラスに属する文書」ではなく「クラスに属さない文書」，つまり「補集合」を用いることによりNBの欠点を緩和したComplementNaiveBayes(CNB)を提唱した．しかし，CNBはNBと同じ式，つまり事後確率最大化の式から導くことができない．そこで我々は，事後確率最大化の式から導くことのできるNegationNaiveBayes(NNB)を提案し，その性質を他のBayesianアプローチと比較した．その結果，クラスごとの単語数（トークン数）が少なく，なおかつクラス間の文書数に大きなばらつきがある場合には分類正解率がNB，CNBをカイ二乗検定で有意に上回ること，また，これらの条件が特に十分に当てはまる場合には，事前確率を無視したCNBも同検定で有意に上回ることを示す．また，NNBは，Bayes手法以外の手法であるサポートベクターマシン(SVM)よりも，時に優れた結果を示した．本稿の構成は以下のようになっている．まず\ref{Sec:関連研究}節でBayes手法のテキスト分類の関連研究について紹介する．\ref{Sec:NegationNaiveBayesの導出}節では提案手法であるNNBの導出について述べる．\ref{Sec:実験}節では本研究で用いたデータと実験方法について述べ，\ref{Sec:結果}節に結果を，\ref{Sec:考察}節に考察を，\ref{Sec:まとめ}節にまとめを述べる．
V20N03-03	\label{Introduction}2011年3月11日に起こった東日本大震災では，テレビ，ラジオなどの既存メディアが伝えきれなかった局所的な情報を，Twitterなどの個人が情報発信できるソーシャルメディアが補完する可能性を改めて知ることとなった．一方で，Twitter等で発信された大量の情報を効率的に把握する手段がなかったために，被災地からの切実な要望や貴重な情報が，政府，地方自治体，NPOなどの救援団体に必ずしも届かず，救援活動や復興支援が最大限の効率で進展しなかったという可能性も高い．我々が震災時のTwitterへの書き込み(tweet)を調査したところ，少なくとも救援者が何らかの対応をしたことを示すtweetが存在しない要請tweetも非常に多く存在した．さらには大量に飛び交うデマを含む情報に振り回された人も多く出た．こうした状況に対応するため，自然言語処理を用いてTwitter上の安否情報を整理することを目指した「ANPI\_NLP」の取り組みが行われたが，開発の速度や多数のボランティアを組織化するには課題があったことが報告されている\cite{Neubig2011}．実際に災害が発生してから，新たにTwitter等のソーシャルメディアに自然言語処理を適用し，情報を整理する技術を開発するのは非常に困難であろう．我々は，将来起きる災害に備えて，事前にそうした技術を開発しておくことが極めて重要であると考えている．また，我々が被災地で行ったヒアリングでは，現地からの要望とその支援とのミスマッチも明らかになっている．例えば，テレビや新聞などのマスメディアで伝えられた「被災地で防寒着が不足している」という情報に呼応して，多くの善意の人から防寒着の上着が大量に現地に送られたが，津波被害にあい泥水の中で復旧作業をする必要のあった人々がより切実に求めていたのは，防寒のズボンであった．別の例では，全国から支援物資として届けられた多くの衣類はどれも通常サイズのものばかりで，4Lサイズなどの大きな衣類が必要な人が一月以上も被災時の衣類を着続ける必要があった．これらは，大規模災害発生時に生じる被災者の要望の広範さや事前にそうした要望を予測しておくことの困難を示す事例と言えよう．さらに，本論文で提案するシステムで実際にtweetを分析したところ，被災地で不足しているものとして，「透析用器具」「向精神薬」「手話通訳」など平時ではなかなか予想が困難な物資が実際に不足している物品としてtweetされていることも判明している．こうしたいわば想定外の要望を拾い上げることができなれば，再度要望と支援のミスマッチを招くこととなる．以上が示唆することは，次回の大規模災害に備えて，ソーシャルメディア上の大量の情報を整理し，上述した想定外の要望も含めて，必要な情報を必要な人に把握が容易なフォーマットで届ける技術の開発を災害発生以前に行っておくことの重要性である．また，我々が備えるべき次の災害が，今回の震災と類似している保証はない．以上のような点に鑑みて，我々は想定外の質問も含め，多様な質問に対して，ソーシャルメディア上に書き込まれた膨大な情報から抽出された回答のリストを提示し，状況の俯瞰的把握を助けることができる質問応答システムが，災害時に有効であると考えている．ここで言う俯瞰的把握とは，災害時に発生する様々な事象に関して，それらを地理的，時間的，意味的観点から分類した上でそれらの全体像を把握することを言う．別の言い方をすれば，その事象がどのような地理的，時間的位置において発生しているのか，あるいはそもそもその事象がどのような事象であるのか，つまりどのような意味を持つ事象であるのか，等々の観点でそれら事象を分類し，また，それらを可能な限り網羅的，全体的に眺めわたし，把握するということである．このような俯瞰的把握によって，救援者サイドは，例えば，重大な被害が生じているにもかかわらず，炊き出し，救援物資の送付等が行われていないように見える地点を割り出し，なんらかの齟齬の確認や，救援チームの優先的割当を行うことが可能になる．あるいは各地において不足している物資を，例えば医薬品，衣類，食料といった観点で整理して，救援物資のロジスティクスを最適化するなどの処置も可能になる．さらに，こうした俯瞰的把握によって，上で述べたような想定外の事象の発見も可能になり，また，それらへの対処も容易になろう．逆に言えば，誰かがこうした俯瞰的把握をしていない限り，各種の救援活動は泥縄にならざるを得ず，また，想定外の事象に対してはシステマティックな対応をすることも困難となる．また，被災者自身も現在自分がいる地点の周辺で何がおきているか，あるいは周辺にどのようなリソースが存在し，また，存在しないかを全体として把握することにより，現地点にとどまるべきか，それとも思い切って遠くまで避難するかの判断が容易になる．避難に至るほど深刻な状況でなかったとしても，周辺地域での物資，サービスの提供の様子を全体として把握することで，物資，サービスを求めて短期的な探索を行うか否かの決断も容易になろう．我々の最終的な目標は，多様な質問に回答できるような質問応答システムを開発することによって，災害時に発生するtweet等のテキストデータが人手での処理が不可能な量となっても，そこに現れる多様で大量の事象を意味的観点から分類，抽出可能にし，さらに回答の地図上への表示や，回答に時間的な制約をかけることのできるインターフェースも合わせて提供することにより，以上のような俯瞰的把握を容易にすることである．本論文では，以上のような考察に基づき，質問応答を利用して，災害時に個人から発信される大量の情報，特に救援者や被災者が欲している情報をtweetから取得し，それらの人々の状況の俯瞰的把握を助ける対災害情報分析システムを提案する．将来的には本システムを一般公開し，被災地の状況や救援状況を俯瞰的に把握し，被災地からの想定外の要望をも取得し，効率的な救援活動につなげることを目指す．本論文では提案したシステムを実際に東日本大震災時に発信されたtweetに適用した評価実験の結果を示すが，この評価においては以上のような被災状況の俯瞰的把握を助ける能力を評価するため，質問応答の再現率に重点をおいた評価を行う．逆に言えば，いたずらに回答の上位の適合率を追うことはせず，再現率の比較的高いところでの評価に集中する．また，本システムを拡張することで，被災者と救援者の間でより適切な双方向のコミュニケーションが実現可能であることも示す．こうした双方向のコミュニケーションはより適切かつ効率的な救援活動のために極めて重要であると考えている．本論文で提案するようなシステムは非常に多くのモジュールからなり，その新規性を簡潔にまとめることは難しいが，本論文においては以下の手法・技術に関して我々のタスクにおける評価，検証を行った．特にCについては，新規な技術であると考えている．\begin{description}\item[A]固有表現認識(NER)の有効性\item[B]教師有り学習を用いた回答のランキング\item[C]含意関係認識における活性・不活性極性\cite{Hashimoto2012}の有用性\end{description}ここで，A，Bに関しては本論文における実験の目標ならびに設定では有効性は認められず，最終的なシステムではこれらの技術を採用しなかった．これらに関して現時点での我々の結論は以下の通りである．NERはそれ単体では，我々のタスクでは有効ではなく，その後の処理やそこで用いられる辞書等との整合性がとれて初めて有効になる可能性がある．また，回答のランキングは，我々の目標，つまり，少数の回答だけではなく，想定外も含めた回答を可能な限り網羅的に高精度で抽出することには少なくとも現状利用可能な量の学習データ，素性等では有効ではなかった．一方で，含意関係認識において活性・不活性極性を利用した場合，再現率が50％程度のレベルにおいて，適合率が7％程度上昇し，顕著な性能向上が見られたことから，提案手法にこれを含めている．本論文の構成は以下の通りである．まず，\ref{Disaster}節において本論文で提案する対災害情報分析システムの構成とその中で使われている質問応答技術について述べる．\ref{Experiments}節では，人手で作成した質問応答の正解データを用いたシステムの評価について報告する．\ref{Prospects}節にて上述した双方向のコミュニケーションの実現も含めて今後の本研究の展望を示す．さらに\ref{Related_work}節にて関連研究をまとめ，最後に\ref{Conclusion}節にて本論文の結論を述べる．
V29N02-06	人は言葉を理解するとき，これまでの経験から得た単語の背景知識を利用している．たとえば，動詞「振る舞う」において，「シェフが料理を振る舞う」と言われれば「誰かが誰かに何らかの料理を提供している」状況を想像し，「紳士のように振る舞う」と言われれば「誰かがある特定の様子で行動している」状況を想像する．人はこれらの「振る舞う」の意味の違いをその前後の文脈によって理解し，さらに「``誰かに''提供している」や「``誰かが''行動している」のような状況を理解するのに必要とされる事柄を補完して，これらの言葉を理解している．フレーム知識とは，このような単語の背景知識を，同じ状況を想起させる語と状況の記述に必要な要素を含んだ意味フレームの形式でまとめたものである．その代表的なリソースの1つとして，FrameNet\cite{baker1998,ruppenhofer2016}が存在する．これはFillmoreが提唱するフレーム意味論\cite{fillmore1982}に基づいたフレーム知識リソースである．FrameNetは，テキスト中の単語に対してフレームやフレーム要素のラベル付けを行う意味解析器の構築\cite{das-etal-2014-frame,swayamdipta2017frame}に加え，イベント検出\cite{liu-etal-2016-leveraging}や関係抽出\cite{zhao2020cfsre}のような情報抽出に関するシステム構築などに利用される．しかし，FrameNetは人手で整備されていることから，語彙やフレームのカバレッジに限界がある．このため，大規模なテキストコーパスから自動的に動詞のフレーム知識を構築する取り組みが行われている\cite{kawahara2014,ustalov2018}．しかしながら，これらの手法では，大規模コーパスから動詞とその項を収集し，それらの表層的な情報に基づきクラスタリングをしているため，動詞や項の出現する文脈を十分に考慮できていない．そこで，本研究では，文脈を考慮した単語埋め込みを活用することで，より高品質なフレーム知識の自動構築の実現を目指す．フレーム知識を自動構築するためには，動詞の意味フレーム推定とフレーム要素推定が必要となるが，本論文では，最初の段階である動詞の意味フレーム推定に焦点を当てる．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%table1\begin{table}[b]\input{05table01.tex}\caption{FrameNetにおける動詞「get」と「acquire」の用例と各動詞が喚起するフレーム（括弧内）．}\label{tab:examples}\end{table}%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%動詞の意味フレーム推定は，テキスト中の動詞を，その動詞が喚起する意味フレームごとにまとめるタスクである．本論文では，FrameNetで定義されている意味フレームごとに，動詞の用例をクラスタリングすることで本タスクを実現する．たとえば，表\ref{tab:examples}の(1)～(4)に示す動詞「get」と「acquire」の用例の場合，\{(1)\},\{(2)\},\{(3),(4)\}の3つのクラスタにまとめることを目標とする．本タスクの大きな特徴の1つとして，同じ動詞の用例であってもその動詞が示す状況が異なる場合，それらは異なるフレームを喚起し，異なる動詞の用例であってもそれらの動詞が類似した状況を示す場合，それらは同じフレームを喚起することが挙げられる．動詞の意味フレーム推定タスクに対して，すでにELMo\cite{peters2018}やBERT\cite{devlin2019}などの文脈化単語埋め込みを用いたクラスタリング手法が提案されている．たとえば，SemEval2019における動詞の意味フレーム推定の共有タスク\cite{qasemizadeh2019}では，ベースラインを超えた3グループ\cite{arefyev2019,anwar2019,ribeiro2019}はいずれも，推定対象動詞の文脈化単語埋め込みを用いて，動詞全体で一度にクラスタリングを行っている．しかしながら，このような手法には大きく2つの欠点がある．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%fig.1\begin{figure}[b]\begin{center}\includegraphics{29-2ia5f1.pdf}\end{center}\hangcaption{動詞「get」と「acquire」の文脈化単語埋め込みの2次元マッピング．左図が動詞の通常の埋め込み，右図がマスクされた動詞の埋め込みによる結果である．2つの図の間にある括弧付きの数字は表\ref{tab:examples}の用例に対応し，$+$と$\bullet$はそれぞれ動詞「get」と「acquire」の埋め込み，各色は{\color[HTML]{ecaa0a}\textbf{Arriving}}，{\color[HTML]{0da579}\textbf{Transition\_to\_state}}，{\color[HTML]{57c3f5}\textbf{Getting}}フレームを示す．}\label{fig:visualization}\end{figure}%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%1つ目の欠点は，フレーム推定対象となる動詞の表層的な情報を過度に考慮してしまうことである．表\ref{tab:examples}の動詞「get」のように，一部の動詞は文脈により異なるフレームを喚起する．しかし，文脈化単語埋め込みはその単語の表層情報も含むことから，同じ動詞の埋め込みは文脈が異なっていたとしても類似する傾向がある．このため，文脈化単語埋め込みに基づくクラスタリングを行うとき，異なる意味の動詞の用例であっても同じ動詞であれば，1つのクラスタにまとめられてしまう事例が多い．たとえば，FrameNetから動詞「get」と「acquire」の用例を抽出し，事前学習済みBERT\cite{devlin2019}を用いて「get」と「acquire」の文脈化単語埋め込みを獲得し，t-SNE\cite{maaten2008}によって2次元にマッピングした結果を図\ref{fig:visualization}左に示す．「get」が喚起するフレームのうちGettingフレームを喚起する「get」の埋め込みは，同じくGettingフレームを喚起する「acquire」の埋め込みに近い位置に分布する傾向はあるものの，動詞ごとにまとまって分布する傾向が強いことが確認できる．本研究ではこの問題を解消するため，フレーム推定対象の動詞をマスクしたときの文脈化単語埋め込みを利用する手法を提案する．具体的には，推定対象の動詞を``[MASK]''に置き換えたときの文脈化単語埋め込みを利用する．図\ref{fig:visualization}左と同様にして，マスクされた動詞の文脈化単語埋め込みを2次元にマッピングした結果を図\ref{fig:visualization}右に示す．マスクを用いた埋め込みの場合，動詞の表層的な情報が限定的となり，同じフレームを喚起する動詞の埋め込みが近い位置に分布することが確認できる．2つ目の欠点は，同じ動詞が喚起するフレームの異なり数は数個程度と限定的であるにも関わらず，その動詞の用例が多くの異なるクラスタに分かれる事例が多いことである．これは，動詞の埋め込みが外れ値となる場合，それぞれ別のクラスタに属するようにクラスタリングされるためである．このような事態を避けるため，本研究ではまず動詞ごとに用例のクラスタリングを行った後，フレーム単位でまとめるために動詞横断的にクラスタリングを行う2段階クラスタリング手法を提案する．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
V12N05-04	\label{sec:intro}機械翻訳システムなどで利用される対訳辞書に登録すべき表現を対訳コーパスから自動的に獲得する方法の処理対象は，固有表現と非固有表現に分けて考えることができる．固有表現と非固有表現を比べた場合，固有表現は，既存の辞書に登録されていないものが比較的多く，辞書未登録表現が機械翻訳システムなどの品質低下の大きな原因の一つになっていることなどを考慮すると，優先的に獲得すべき対象である．このようなことから，我々は，英日機械翻訳システムの対訳辞書に登録すべき英語固有表現とそれに対応する日本語表現との対を対訳コーパスから獲得する方法の研究を行なっている．固有表現とその対訳を獲得することを目的とした研究は，単一言語内での固有表現の認識を目的とした研究に比べるとあまり多くないが，文献\cite{Al-Onaizan02,Huang02,Huang03,Moore03}などに見られる．これらの従来研究では，抽出対象の英語固有表現は前置修飾句のみを伴う{\BPNP}に限定されており，前置詞句を伴う名詞句や等位構造を持つ名詞句についての議論は行なわれていない．しかし，実際には，``theU.N.InternationalConferenceonPopulationandDevelopment''のように前置詞句による後置修飾と等位構造の両方または一方を持つ固有表現も少なくない．そこで本稿では，前置詞句と等位構造の両方または一方を持つ英語の固有名詞句を抽出することを目指す．このような英語の固有名詞句には様々な複雑さを持つものがあるが，できるだけ長い固有名詞句を登録することにする．このような方針をとると副作用が生じる恐れもあるが，翻訳品質が向上することが多いというこれまでのシステム開発の経験に基づいて，最も長い名詞句を抽出対象とする．以下では，このような英語の固有名詞句を単に{\CPNP}と呼ぶ．{\CPNP}を処理対象にすると，前置修飾のみを伴う{\BPNP}を処理対象としていたときには生じなかった課題として，前置詞句の係り先や等位構造の範囲が誤っている英語固有表現を抽出しないようにすることが必要になる．例えば次の英文(E\ref{SENT:pp_ok0})に現れる``JapaneseEmbassyinMoscow''という表現は意味的に適格で一つの{\CPNP}であるが，英文(E\ref{SENT:pp_ng0})に現れる``theUnitedStatesintoWorldWarII''は意味的に不適格で一つの{\CPNP}ではない．\begin{SENT}\sentETheministryquicklyinstructedtheJapaneseEmbassyinMoscowto$\ldots$.\label{SENT:pp_ok0}\end{SENT}\begin{SENT}\sentETheattackonPearlHarborwasthetriggerthatdrewtheUnitedStatesintoWorldWarII.\label{SENT:pp_ng0}\end{SENT}従って，英文から抽出される表現の意味的適格性を判断し，適格な表現についてはその対訳と共に出力し，不適格な表現については何も出力しないようにする必要がある．本稿ではこのような課題に対する一つの解決策を示す．なお，本稿での意味的に不適格な表現とは，前置詞句の係り先や等位構造の範囲が誤っている表現を指す．{\CPNP}は句レベルの表現であるため，提案方法は一般の句アライメント手法\cite{Meyers96,Watanabe00,Menezes01,Imamura02,Aramaki03}の一種であると捉えることもできる．しかし，一般の句アライメント手法では構文解析により生成した構文木(二次元構造)の照合によって句レベルの表現とその対訳を獲得するのに対して，提案方法では文献\cite{Kitamura97}などの方法と同様に構文解析を行なわずに単語列(一次元構造)の照合によって{\CPNP}とその対訳を獲得する点で両者は異なる．すなわち，本稿の目的は，これまであまり扱われてこなかった，複雑な構造を持つ{\CPNP}とその対訳をコーパスから抽出するという課題において，構文解析系に代わる手段を導入することによってどの程度の性能が得られるかを検証することにある．
V10N02-03	近年，情報分野の認知度・重要度は急速に増し，それに伴って自然言語処理分野の研究もさらに活発なものとなっている．形態素論から構文論へと研究は進み，現在は意味論に関する研究がその中心となっている．比喩表現はその代表的なテーマの1つであり，我々の日常的なコミュニケーションも比喩表現の雛型としての言語知識に基づいた部分が多いとされている\cite{Lakoff-1}．比喩表現に関する研究は，近年細かく分類され，様々なアプローチによる研究が精力的に進められている．人工知能(自然言語処理)分野における比喩処理の研究として，Barndenは，ATT-Metaと呼ばれる比喩推論システムを試作している\cite{Barnden-1}．このシステムは，cnduitmetaphorと称する意味伝達に際しての理解のずれの枠組み\cite{Reddy-1}など，比喩表現についての言語学的な研究成果をもとに構築され，喩詞と被喩詞との意味的な共通領域を定量的に示すことができる．コンピュータに比喩を理解させるためには概念の類似性や顕現性に関する知識が必要となるが，TverskyやOrtonyは概念の属性集合の照合によって類似性を説明する線形結合モデルを提案し，顕現性を計算する際に重要な要素として情報の強度(intensity)と診断度(diagnosticity)を提案している\cite{Tversky-1,Ortony-3}．今井らは連想実験に基づいて構成される属性の束を用いてSD法の実験を行い，その結果を円形図上に配置し，さらに凸包という幾何学的な概念を用いて相対的に顕現性の高い属性の抽出を行っている\cite{Imai-1}．比喩表現を大きく直喩・隠喩的な比喩と換喩的な比喩とに分類すると，換喩的な比喩の研究として，村田らは「名詞Aの名詞B」「名詞A名詞B」の形をした名詞句を利用し，それを用いて換喩を解析することを試みている\cite{Murata-1}．内山らは換喩的な比喩を研究対象に，統計的に解釈する方法について述べている\cite{Uchiyama-1}．また内海らは直喩・隠喩的な比喩の研究について，関連性理論を基盤とした言語解釈の計算モデルを適用し，属性隠喩を対象として文脈に依存した隠喩解釈の計算モデルを提案している\cite{Utsumi-1}．しかしこれらの研究はいずれも比喩とわかっている表現の解釈を中心に行われており，実際の文章に現れる表現が比喩であるかどうかといった比喩認識については，あまり深い議論はなされていない．本研究は日本語文章の比喩表現，その中でも直喩・隠喩的な比喩について，その認識・抽出を目的としている．我々はこれまで確率的なプロトタイプモデル\cite{Iwayama-1}を利用して，コーパスから知識を取り出すことによって比喩認識に用いる大規模な知識ベースを自動構築する手法を提案し\cite{Masui-1}，動作に基づく属性に注目した観点からの比喩認識を提案してきた\cite{Masui-3}．これにより喩詞と被喩詞とからなる表現の定量的な比喩性判断が可能となった．しかし，この手法を実際の文章に現れる表現に対して適用するためには，比喩表現候補の喩詞と被喩詞とを正確に抽出できなければならない．これに対しては直喩の代表的な表現形式である``名詞Aのような名詞B''を対象に，構文パターンやシソーラスを用いる手法で研究を進めてきた\cite{Tazoe-1,Tazoe-2}が，喩詞・被喩詞を抽出する手法は，同時に``名詞Aのような名詞B''表現が比喩であるかどうかを判定することにも密接に関連するという結論に至った．本論文では``名詞Aのような名詞B''表現について，意味情報を用いたパターン分類によって比喩性を判定し，喩詞と被喩詞とを正確に抽出できるモデルについて提案する．本論文の構成を示す．\ref{sec:bunrui}章では``名詞Aのような名詞B''表現について意味情報を用いたパターン分類とそれぞれのパターンの特徴・比喩性を述べる．\ref{sec:teian}章では我々が提案する比喩性判定モデルの処理の流れを詳細に説明する．\ref{sec:ko-pasu}章ではコーパスを用いた判定実験結果について考察を加える．\ref{sec:hiyugo}章では明らかに比喩性を決定づける語の存在について検証する．
V13N03-06	\label{sec:intro}意味が近似的に等価な言語表現の異形を\textbf{言い換え}と言う．言い換えの問題，すなわち同じ意味内容を伝達する言語表現がいくつも存在するという問題は，曖昧性の問題，すなわち同じ言語表現が文脈によって異なる意味を持つという問題と同様，自然言語処理における重要な問題である．言い換えの自動生成に関する工学的研究には，言い換えを同一言語間の翻訳とみなし，異言語間機械翻訳（以下，単に機械翻訳）で培われてきた技術を応用する試みが多い．たとえば，構造変換方式による言い換え生成\cite{lavoie:00,takahashi:01:c}，コーパスからの同義表現対や変換パターン（以下，合わせて言い換え知識と呼ぶ）獲得\cite{shinyama:03,quirk:04,bannard:05}の諸手法は，機械翻訳向けの手法と本質的にはそれほど違わない．ただし，言い換えは入出力が同一言語であるため，機械翻訳とは異なる性質も備えている．たとえば，平易な文章に変換する，音声合成の前処理として聴き取りやすいように変換するなど，ミドルウェアとしての応用可能性が高いことがあげられる．すなわち，言い換えを生成する過程のどこかに，応用タスクに合わせた言い換え知識の使い分け，および目的適合性を評価する処理が必要になる\cite{inui:04:a}．事例集の位置付けも異なる．翻訳文書は日々生産・蓄積されており，大規模な対訳コーパスが比較的容易に利用可能である．これらは主に，翻訳知識の収集源あるいは統計モデルの学習用データとして用いられている．一方，言い換え関係にある文または文書の対が明示的かつ大規模に蓄えられることはほとんどない．\sec{previous}で述べるように，言い換えの関係にある文の対を収集して\textbf{言い換えコーパス}を構築する試みはいくらか見られるが，我々が知る限り，現在無償で公開されている言い換えコーパスはDolanら\cite{dolan:05}が開発したものしかない\footnote{Web上のニュース記事から抽出した5,801文対に対して2名の評価者が言い換えか否かのラベルを付与したコーパス．\\\uri{http://research.microsoft.com/research/nlp/msr\_paraphrase.htm}}．さらに，言い換え知識の収集源として用いられるようなコーパスはあっても，言い換えと呼べる現象の類型化，個々の種類の言い換えの特性の分析，言い換え生成技術の開発段階における性能評価などの基礎研究への用途を意図して構築された言い換えコーパスはない．我々は，言い換えの実現に必要な情報を実例に基づいて明らかにするため，また言い換え生成技術の定量的評価を主たる目的として言い換えコーパスを構築している．本論文では，このような用途を想定して，\begin{itemize}\itemどのような種類の言い換えを集めるか\itemどのようにしてコーパスのカバレージと質を保証するか\itemどのようにしてコーパス構築にかかる人的コストを減らすか\item言い換え事例をどのように注釈付けて蓄えるか\end{itemize}などの課題について議論する．そして，コーパス構築の方法論，およびこれまでの予備試行において経験的に得られた知見について述べる．以下，\sec{previous}では言い換えコーパス構築の先行研究について述べる．次に，我々が構築している言い換えコーパスの仕様について\sec{aim}で，事例収集手法の詳細を\sec{method}で述べる．予備試行の設定を\sec{trial}で述べ，構築したコーパスの性質について\sec{discussion}で議論する．最後に\sec{conclusion}でまとめる．
V15N03-05	我々は，人間と自然な会話を行うことができる知的ロボットの実現を目標に研究を行っている．ここで述べている「知的」とは，人間と同じように常識的に物事を理解・判断し，応答・行動できることである．人間は会話をする際に意識的または無意識のうちに，様々な常識的な概念（場所，感覚，知覚，感情など）を会話文章から判断し，適切な応答を実現しコミュニケーションをとっている．本論文では，それらの常識的な判断のうち，未知語の理解に着目し，研究を行っている．知的ロボットとの円滑なコミュニケーションを実現するにあたり，重要となる技術が自然言語処理である．近年，自然言語処理において，単語を意味的に分類したシソーラス\cite{NTT_Thesaurus:97}，\cite{G.A.Miller:95}が数多く構築されている．これらのシソーラスは，情報検索や機械翻訳など多くの分野で利用されている．会話処理にシソーラスを用いた場合，会話文中にシソーラスに定義されていない単語（以下，未知語と呼ぶ）が含まれると，その会話文を理解することができない．そのため，未知語が大局的にどのような意味を持つのかを知る必要がある．未知語が所属するべきシソーラスのノードを提示することで，未知語の内容を簡明に表示することができると考える．これを実現するためには，ある単語から概念を想起し，さらに，その概念に関係のある様々な概念を連想できる能力が重要な役割を果たす．これまで，ある概念から様々な概念を連想できるメカニズムを，概念ベース\cite{okumura:07}と関連度計算\cite{watabe:06}により構成し，実現する方法が提案されている．そこで本論文では，連想メカニズムおよびシソーラスの体系的特徴を基に未知語を所属するべき最適なノードへ分類する手法を提案する．これまでにも同種の研究がなされている．\cite{uramoto:96}では，言語データとしてISAMAP\cite{tanaka:87}を利用し，未知語をシソーラスに分類する手法としてコーパス中の出現回数などの統計情報を用いている．また\cite{maeda:00}では，言語データとしてNTTシソーラス\cite{NTT_Thesaurus:97}を利用し，未知語をシソーラスに分類する手法として統計的決定理論の1つであるベイズ基準を用いている．一方で\cite{sakaki:07}では，検索エンジンのヒット件数に対して$\chi^2$値を用いた関連度の指標を用いることで，シソーラスの自動構築を行う手法が提案されている．また\cite{bessho:06}では，コーパスにおける単語同士の共起頻度を用いて単語をベクトル表現で表すことで，概念ベースを作成している．そして，概念ベースに登録していない単語のベクトル表現を，意味空間への射影による手法および分散最小性に基づく手法を用いて推定し，概念ベースを拡張する方法が提案されている．このようにこれまでの研究は，コーパスやシソーラスなどの言語データに存在する単語と未知語の共起頻度を利用することで，両者の関連性を比較し，未知語を既存のシソーラスに分類するものである．そのため，これまでの研究は，用いる言語データに存在しない未知語の場合，共起頻度を獲得することができないため，対応できないという問題を抱えている．本論文では，共起頻度に加えて，ある概念から様々な概念を連想できる連想メカニズムを用いている．その結果，固有名詞を含んだ未知語に対応した柔軟なメカニズムの構築を実現している．
V14N03-03	人は必ずしも流暢に話しているわけではなく，以下の例のように，ときにつっかえながら，ときに無意味とも言える言葉を発しながら，話している．\newcounter{cacocnt}\begin{list}{例\arabic{cacocnt}}{\usecounter{cacocnt}}\item\underline{アッ}しまった\underline{エッ}本当？\item\underline{ド}どうしよう？\underline{アシ}あさってかな？\item\underline{エート}今度の日曜なんですが\underline{アノー}部屋はあいてるでしょうか\end{list}例1の下線部は感動詞（間投詞，interjections），例2は発話の非流暢性(disfluency)の一部であり，例3はその両方のカテゴリーに帰属する話し言葉特有の発話要素である．これらは，近年，人の言語処理を含む内的処理プロセス(mentalprocessing)や心の動きを映し出す「窓」として注目されてきている\cite{定延・田窪,田窪・金水,田中,Clark:02,山根,定延:05,富樫:05}．本研究では，これらを発話に伴う「心的マーカ(mentalmarker)」と捉え，例3のような「フィラー(fillers)」を中心に，「情動的感動詞(affectiveinterjections)」（例1）および「言い差し（途切れ；speechdiscontinuities）」（例2）と対比することで，人の内的処理プロセスとこれらの心的マーカとの対応関係について検討した．\subsection{従来の研究アプローチ}感動詞および非流暢性に焦点をあてた研究アプローチには，大きく分けて言語学的(linguistic)アプローチと言語心理学的(psycholinguistic)アプローチの2つが存在する．前者のアプローチからは，これまで主として，感動詞と感情の関係や感動詞の統語的性質が考察されてきた\cite[など]{田窪・金水,森山:96,土屋,富樫:05}．例えば，\citeA{森山:96}は「ああ」や「わあ」などの情動的感動詞を内発系と遭遇系に分類し，それらがどのような心的操作と対応するかについて詳しく考察した．一方，後者のアプローチからは，人の内的言語処理メカニズムを知るために，途切れや延伸，繰り返し，言い直しなどの非流暢性が研究されてきた\cite[など]{村井,伊藤,田中}\footnote{最近になって，\citeA{定延・中川}が非流暢性の言語学的な制約を分析するという言語学的アプローチによる考察を試みている．}．例えば，\citeA{村井}は，幼児の言語発達における言語障害的発話を分類し，言語発達過程における非流暢性の現れ方について考察した．これら2つのアプローチは，発話要素から人の内的処理メカニズムを探るという目的では類似している．しかしながら，前者は主としてそれぞれの感動詞に対応する心的操作について，後者は主として非流暢性の程度と言語処理メカニズムあるいは言語発達過程との関係について検討してきたため，共通する対象領域をカバーしながらも，それぞれ別の角度から取り組んできたといえる．本研究において中心に取り上げるフィラーは，言語学的には感動詞の一部として\cite{田窪・金水,定延・田窪}，言語心理学的には非流暢性の一種である有声休止（filledpause,\cite{Goldman-Eisler,田中}）として，双方のアプローチから研究されてきた音声現象である\cite{山根}．フィラーと情動的感動詞，言い差し（途切れ）を同一軸上で比較することで，両研究アプローチからの「切り口」により明らかにされる内的処理プロセスの諸側面をさらに深く理解することにつながると考えられる．以下に，本研究で扱う3つの発話要素（フィラー，情動的感動詞，言い差し）に関する先行研究を概観し，本研究の目的および特色を述べる．\subsubsection{フィラー}Merriam-WebsterOnlineDictionary(http://www.m-w.com/)によると，フィラー(fillers)には「間を埋めるもの」という意味がある．\citeA{Brown}によると，フィラーは主に発話権を維持するために，発話と発話の間を埋めるように発する発話要素とされる\footnote{\citeA{Clark-Tree}や\citeA{水上・山下}は，話し手のフィラーが長い場合，前後のポーズ長も長くなる傾向にあることを示しており，結果として，ポーズだけの場合よりも長く発話権を維持できる．}．この意味に相当する日本語の用語として，「間（場）つなぎ言葉」がある．その他に，無意味語，冗長語，繋ぎの語，遊び言葉，言い淀み，躊躇語など，これまでそれぞれの研究者の視点からさまざまに呼ばれてきている\cite{山根}．本研究では，近年の傾向にしたがい\cite{山根,定延:05}，便宜的に，フィラーという名称を用いる．フィラーは，一般に命題内容を持たず，前後の発話を修飾するようなものでもない\cite{野村,山根}．例えば，例3の文からフィラーを除いたとしても，文意には何ら影響しない．そのため，古典的な日本語研究においては，感動詞や応答詞あるいは間投詞の一部として，その用法が取り上げられるにすぎなかった\cite{山根}．しかしながら，近年，言語学的アプローチによる研究により，フィラーのさまざまな機能が注目されるようになってきた．例えば，談話の区切りを表示する「談話標識(discoursemarker\cite{Schiffrin})」の機能\cite{Swerts,Watanabe,野村}や，換言や修正のマーカ\footnote{「渡したペーアノプリント」のように言い直しの前などに出現するフィラーを指す．}としての機能\cite{野村}があげられる．その他にも，``uh''や``ah''などのフィラーが構文理解(parsing)にもうまく利用されることが示されている\cite{Ferreira-Bailey}．また，フィラーは，非流暢性あるいは停滞現象(speechunfluency\cite{田中})，有声休止(filledpause)と呼ばれることもあり，発話上の問題として捉えられてきた側面もある（例えば，\citeA{Hickson}）．一方で，1960年代から\citeA{Goldman-Eisler}ら言語心理学者によってさかんに非流暢性が研究されてきた理由の一つは，非流暢性が話し手の言語化に関わる内的処理過程・処理能力を表示するよい指標になり得るからである．注目すべきは，表情や一部の身体動作と共に（例えば，\citeA{Ekman,Ekman-Friesen}），フィラーが話し手の心的状態や態度が外化したものと考えることができる点である\cite{定延・田窪,田窪・金水}．\citeA{定延・田窪}は，フィラーを話し手の心的操作標識と捉え，「エート」と「アノ（ー）」を取り上げて，心的操作モニター機構について考察した．\citeA{定延・田窪}によれば，「エート」は，話し手が計算や検索のために心的演算領域を確保していることを表示し，一方で「アノ（ー）」は，話し手が主に聞き手に対して適切な表現をするために言語編集中であることを表示するとされる．この例以外に，状況によって適さないフィラーや，逆に儀礼的に使われるフィラーも存在する\cite{定延:05}．これらは，フィラーが発話者の心的状態を表示する標識となる一方で，状況や場などの制約を受ける言語学的な側面を持つことを示している．\subsubsection{情動的感動詞}情動的感動詞とは，\citeA{森山:96}が，情動的反応を表す感動詞として分類したものである．\citeA{森山:96}は，泉の比喩を使ったモデルで「アア」のような内から湧き上がってくる感情を表す内発系と，「オヤ」「オット」「ワア」「キャア」などの遭遇系の情動を分類し，それぞれと感情との関係を考察した．また，\citeA{田窪・金水}は，感動詞を，「心的な過程が表情として声に現れたもの」と捉え，特に情報の入出力に関わるものを「入出力制御系」とし，それらを応答，意外・驚き，発見・思い出し，気付かせ・思い出させ，評価中，迷い，嘆息に分類し，それぞれについて考察した\footnote{出力の際の操作に関わるものは「言い淀み系」として，非語彙的形式，語彙的形式（内容計算，形式検索，評価）に分類された．これはほぼフィラーに対応すると考えられる．}．彼らによれば，例えば，感動詞「ア」とは，発見・思い出しの標識であり，「予期されていなかったにも関らず関連性の高い情報の存在を新規に登録したということを表す」ものである．これに対し，近年，\citeA{富樫:05}は，驚きを伝えるとされる「アッ」と「ワッ」を取り上げ，「アッ」の本質は発見や新規情報の登録を示すものではなく，単に「変化点の認識」を示すものであると述べた．さらに\citeA{富樫:05}は，従来考えられてきたような感動詞の伝達的側面を疑問視し，感動詞の本質は感動を含まず，それは聞き手の解釈による効果に過ぎないと述べている．これらの研究は，情動的感動詞が少なくとも話し手の何らかの「心の状態の変化が音声として表出したもの(changeofstatetoken\cite{Heritage})」と考えられることを示している．\subsubsection{言い差し（途切れ）}言い差しとは，反復や言い直しによって途切れた不完全な語断片を指す．本研究では，スラッシュ単位マニュアル\shortcite{Slash-Manual}でタグとして使用されている言い差しの用法に従う\footnote{「ちょっと用事がありまして（参加できません）」のように，重要な部分を省略した用法を「言い差し表現」と言う場合もある．}．言い差しは，言語心理学的な研究の中で，意味処理や調音運動に関連付けて研究されてきた．例えば，\citeA{田中}は，スピーチの停滞現象を反復（「ヒヒトハオドロイタ」），言い直し（「キカイガヘンカコワレタ」），有声休止（フィラー），無声休止（ポーズ）などに分類し，それらが意味処理の過程とどのように関っているのかを実験に基づく考察から詳細に分析した．その結果，意味の処理には，音声を伴わない処理と音声を伴う処理の2つの様相があることが示された．この結果は，従来の考え方が前提としていた，人の発話処理過程において，意味の処理が完了してから音声出力されるという考え方に疑問を投げかけるものであった．つまり，人は考えてから話すのではなく，話しながら考えるという二重処理を行っていることを示す．言い差しとは，一旦，出力されかけた言語表現が並列的に動作する意味処理によって，中断されたものと考えられる．その意味で，言い差しは人の発話に伴う内的処理のプロセスの並列性，階層性を理解する上で，重要な鍵となると考えられている．\subsection{本研究のアプローチ}\subsubsection{3つの発話要素の定義}本研究では，先行研究\cite{山根}を参考に，フィラー，情動的感動詞，言い差しといった3つの発話要素を以下のように定義した．以下の例では，フィラー，情動的感動詞，言い差しに該当する部分をそれぞれカタカナで表記して示す．\\\noindent\textbf{フィラー}\\・それ自身命題内容を持たず，発話文の構成上，排除しても，意味に影響を及ぼさないもので\\\noindent(1)他との応答・修飾・接続関係にないもの\\○「エットソノー3つ目の正方形の」\\×「その角に」\noindent○「普通のモー三角形ですね」\\×「もう少し」\noindent○「コーナンテイウンデスカネ」\\×ジェスチャーを伴って「こう（こんなふうに）」\noindent(2)他との応答関係にあっても逡巡を示すもの\\○質問を受けて「ウーン左側が長いんですよね」\\×「うんそう」\noindent(3)情動的感動詞\cite{森山:96}や言い差し（途切れ）とは異なるもの\\○「エー左だけ書いてから」\\×「えっそれだけ？」（情動的感動詞）\\×「え円を描くように」（言い差し）\vspace{10pt}\noindent\textbf{情動的感動詞}\\・気付き，驚き，意外など，心的状態の変化を表出していると考えられるもの\\「アわかりました」「エ違う？」「アレ？」など\vspace{10pt}\noindent\textbf{言い差し（途切れ）}\\・反復，言い直しなど，言いかけて止めることによって，単語として成立していないもの\\「サさんかく」「フタ三つ目」「ホ（沈黙）」など\vspace{10pt}この定義により，本研究で扱う対話データ（後述）では，以下のようなものがフィラーとして認定された：アー，アノ（ー），アノナ，アノネ，アレ\footnote{フィラーとしての「アレ」は，平坦に短く，低ピッチで発音される．「それはアレ三角関数みたいに」という場合．同様に，代名詞と同表記である，「アノ」，「コノ」，「ソノ」もフィラーの場合には基本的に平坦かつ低ピッチで発音される．}，アンナ，ウー，ウーン，ウ（ー）ント（ー），ウ（ー）ントネ，ウ（ー）ントナ，エ（ー），エ（ー）（ッ）ト，エ（ー）（ッ）トネ，エ（ー）（ッ）トナ，エ（ー）（ッ）トデスネ，コー，コノ（ー），ソーデスネ（ー），ソノ（ー），（ッ）ト（ー），（ッ）トネ，（ッ）トナ，ドウイエバイイノカ\footnote{{\kern-0.5zw}「ドウイエバイイノカ」に類するフィラーは，低ピッチで独り言のように発する場合であり，相手に答えを求めて「どう言えばいいんですか？」と問いかけているものではない．「ナンテイエバイイノカ」に類するフィラーも同様．これらが命題内容を持つかどうかについては議論の余地があるが，本研究では，\citeA{山根}において，フィラーとされる「ドウイウカ」「ナンテイウカ」の変形として，これらをフィラーに含めた．}，ドウイエバイインダロウ，ドウイッタライイカ，ドウイッタライイノカ，ドウイッタライインデスカネ，ドウセツメイシタライイカ，ドウダロウ，ナンカ，ナンカネ，ナンカナ，ナンテイウカ，ナンテイウノカ，ナンテイウノ，ナンテイウノカナ，ナンテイイマスカ，ナンテイエバ，ナンテイエバイイカ，ナンテイエバイインデスカネ，ナンテイッタライイノカ，ナンテイウンデスカネ，ナンテイッタラインデスカネ，ハー，フーン，マ（ー），モー，ンー，ン（ー）ト，この他，方言による変異と考えられる，アンナー，ソヤネー，ナンチューカ，ナンテイエバイイトなどもフィラーとみなした．また，情動的感動詞としては，以下のものが認定された：ア（ー）（ッ），アレ（ッ），イ（ッ），ウ（ッ），エ（ー）（ッ），オ（ー）（ッ），ハ（ッ），ハイ，ヒ（ッ），ヘ（ッ），（ウ）ン．言い差しについては，不定形のため省略する．\subsubsection{本研究の目的}本研究の目的は，従来の言語学的アプローチと言語心理学的アプローチにより明らかにされてきた発話行為に伴う内的処理について，フィラーを中心に，情動的感動詞，言い差し（途切れ）という心的マーカを指標に検討することにある．対話において内的処理の過程に何らかの問題が発生すると，その内的状態を反映して，話し手，聞き手双方の発話中に，心的マーカが出現する．これらの心的マーカの出現率を分析することで，対応する処理プロセスとの関係を明らかにする．話し手の内的処理プロセスには，思考に関わるもの（検索・記憶操作，計算，類推，話の組み立てなど）と，発話生成に関わるもの（構文調整，音韻調整，単語・表現選択など），聞き手の内的処理プロセスには，発話の理解に関わるもの（構文理解，文脈理解，意味解釈，意図推論など）が考えられる．これらの話し手，聞き手の処理プロセスに，状況の認識に関わる内的処理（場の認識，関係性の認識，話者間の共通知識についての認識，利用可能なモダリティの認識，時間や空間の制約の認識など）が影響を及ぼすことが予想される．つまり，状況の認識が決定されることで，思考や発話のなされ方が変化すると考える．\begin{table}[b]\begin{center}\caption{話し手の内的処理プロセスおよび心的マーカと状況変数との対応}\label{map_speaker}\scriptsize\begin{tabular}{cccccc}\hline\multirow{2}{12mm}{状況変数}&\multirow{2}{24mm}{喚起される主だった状況認識のモード}&主な思考プロセス&主な発話生成プロセス\\&&［主な心的マーカ］&［主な心的マーカ］\\\hline親近性&関係性の認識&説明の組み立て&表現選択\\&（丁寧さの意識）&［フィラー（アノ）］&［フィラー（アノ）］&\\対面性&モダリティの認識&表象の言語化&単語選択\\&（制約の意識）&［フィラー（ナンカ）］&［フィラー（アノ）］\\難易度&必要な処理の認識&記憶・検索操作，説明方略&単語選択，文構成\\&（必要操作への意識）&［フィラー（エート，ソノ），情動的感動詞］&［フィラー（アノ），言い差し］\\\hline\end{tabular}\end{center}\end{table}そこで本研究では，発話の言語化に関わる内的処理プロセスに影響を及ぼすと想定される3つの状況変数（親近性，対面性，課題難易度）が操作され，話し手の内的処理プロセスが状況変数の影響をどのように受け，また聞き手の理解に影響するかどうかが検討された．本研究で操作される変数以外にも，状況変数としては性別差や年齢差などが考えられる．それらと比較して，親近性，対面性，課題難易度は，それぞれ，社会性，伝達手段，処理の複雑さといった異種の認識モードを必要とし，発話の言語化に関わる内的処理プロセスにも異なる影響を及ぼすと考えられた．本研究で想定された話し手の内的プロセス（思考と発話生成のプロセス）および心的マーカと状況変数の関係が，表\ref{map_speaker}に示される．具体的には，親近性の場合，対話の相手が友人か初対面の人であるかという関係性の認識によって，丁寧さへの意識が変化し，発話生成のための言葉選びや言い回しが変化する．つまり，初対面の人に説明する場合には，思考プロセスにおいて丁寧な説明のための発話の組み立てに負荷が，発話生成プロセスにおいては，発話表現の選択に負荷がかかることが予想される．次に，対面性の場合，相手と対面して対話するかどうかという利用可能なモダリティの認識によって，表現方法への制約が意識される．つまり，非対面の場合に，思考プロセスにおいては形状の表象への変換に負荷が，そして発話生成プロセスでは説明のための単語や表現の選択に負荷がかかるだろう．最後に，難易度の場合，説明内容が難しく，必要な処理操作が増加するという認識によって，記憶や対象への注意などの必要操作への意識が高まる．つまり，思考プロセスにおいては記憶操作や単語検索，対象把握や文の組み立てなどに，発話生成プロセスではどのような言語表現を使い，いかに発話の整合性を保つかという単語選択や文構成に負荷がかかるであろう．リアルタイムに処理可能な情報量に限界のある話し手にとって，特定の発話プロセスに負荷がかかると，その状態を表示するさまざまな心的マーカが外化することが予想される．例えば，先行研究からの予測として，単語や表現の検索・選択への負荷の増加は，「エート」や「アノ（ー）」などのフィラーの増加として表出するであろう．その他，「ナンカ」は，具現化できない何かを模索中であることの標識であり，表象の言語化過程に表出しやすいであろうし，「ソノ」は，すぐに具現化できない内容が思考プロセスに存在していることを示すとされ\cite{山根}，言葉を掘り起こす負荷の高い場合に表出されやすいであろう．また，並列的に処理される思考プロセスと発話生成プロセスに同時に負荷がかかる場合，例えば，発話を始めてから言い間違いに気付いて，言い直す場合には，言い差しが表出することが予想される．一方，「ア」や「エ」などの情動的感動詞の場合には，上記の負荷の影響は間接的であり，例えば，説明しにくい（相手にも理解しにくい）対象を説明する場合に，自分が今行っている説明の仕方よりもさらによい説明の仕方を思いついたときや，説明の不備に気がついたときに表出される機会が増加することが予想される\footnote{ここでは，話し手の発話プロセスについて言及しているが，「ア」などの情動的感動詞は，理解や発見の表示として表出する場合が多く，聞き手の応答時に現れやすい（例えば，「ア，はいはいはい」）．}．以上から，3つの状況変数は以下のような心的マーカの出現率の差として現れることが予測される．1)親近性が低いと，表現選択に関するフィラー出現率が高まり，2)対面性がないと，表象の言語化や単語選択に関するフィラー出現率が高まり，3)難易度が高いと，記憶・検索操作に関するフィラー出現率，情動的感動詞出現率，言い差し出現率のすべてが高まる．また，本研究では，状況による心的マーカの現れ方を検討するため，統制された実験環境において，課題遂行型の対話である図形説明課題対話を収録，分析した．先行研究では，自然な対話収録を目的とし，自由対話を課題とするものが多く，例えば，会話分析のような社会学的手法においては日常会話が主として扱われてきた\cite{好井}．しかし，本研究で用いる図形説明課題対話は，提示された図形を説明する説明者役と，説明を受けて理解し，選択肢を答える回答者役に分かれて行う課題であり，役割の非対称性（話し手／聞き手）と情報の非対称性（説明者≫回答者）を特徴としている\footnote{ただし，回答者には，説明者に対して質問することを許可しており，局所的には話し手／聞き手が逆転する場合がある．}．役割の非対称性がある対話として，インタビュー対話\shortcite[など]{CSJ}があげられるが，ここでは，聞き手であるインタビュアの会話進行能力や質問の仕方に依存し，発話量のバランスや難易度の統制が困難である．また，本研究での課題と同様に，協同作業型課題遂行対話である地図課題対話\shortcite{堀内-99}では，説明者役と回答者役の間の情報の非対称性が完全ではない（回答者にも手がかりがある）．図形説明課題を使用することで，説明者側の内的処理プロセスは，説明のための言語化に係わる処理プロセスが主となり，回答者側の内的処理プロセスは，理解に係わる処理プロセスが主となると切り分けて検討できる利点を有する．
V04N01-06	日本語文章における代名詞などの代用表現を含む名詞の指す対象が何であるかを把握することは，対話システムや高品質の機械翻訳システムを実現するために必要である．そこで，我々は用例，表層表現，主題・焦点などの情報を用いて名詞の指示対象を推定する研究を行なった．普通の名詞の指示対象の推定方法はすでに文献\cite{murata_noun_nlp}で述べた．本稿では指示詞・代名詞・ゼロ代名詞の指示対象の推定方法について説明する．代名詞などの指示対象を推定する研究として過去にさまざまなものがあるが\cite{Tanaka1}\cite{kameyama1}\cite{yamamura92_ieice}\cite{takada1}\cite{nakaiwa}，これらの研究に対して本研究の新しさは主に次のようなものである．\begin{itemize}\item従来の研究では代名詞などの指示対象の推定の際に意味的制約として意味素性が用いられてきたが，本研究では対照実験を通じて用例を意味素性と同様に用いることができることを示す．一般に意味素性つきの格フレームの方が用例つきの格フレームよりも作成コストがかかるので，用例を意味素性と同様に用いることができることがわかるだけでも有益である．\item連体詞形態指示詞の推定には意味的制約として「AのB」の用例を用いる．\item「この」が代行指示になりにくいという性質を利用して解析を行なう．\item指示詞による後方照応を扱っている．\item物語文中の会話文章の話し手と聞き手を推定することで，その会話文章中の代名詞の指示対象を推定する．\end{itemize}論文の構成は以下の通りである．\ref{wakugumi}節では，本研究の指示対象を推定する枠組について説明する．次に，その枠組で用いる規則について，\ref{sec:sijisi_ana}節，\ref{sec:pro_ana}節，\ref{sec:zero_ana}節で指示詞，代名詞，ゼロ代名詞の順に説明する．\ref{sec:jikken}節では，これらの規則を実際に用いて行なった実験とその考察を述べる．\ref{sec:owari}節で本研究の結論を述べる．
V25N05-05	\label{sec:introduction}ニューラル機械翻訳(NMT)\cite{NIPS2014_5346,Bahdanau-EtAl:2015:ICLR}は流暢な訳を出力できるが，入力文の内容を全て含んでいることを保証できないという問題があり，翻訳結果において入力文の内容の一部が欠落（訳抜け）することがある．欠落は単語レベルの内容だけでなく，節レベルの場合もある．NMTによる訳抜けを含む日英翻訳の翻訳例を図\ref{fig:example}に示す．この翻訳例では網掛け部の訳が出力されていない．内容の欠落は，実際の利用時に大きな問題となる．この他にNMTでは，入力文中の同じ内容を繰り返し訳出してしまうことがあるという問題もある．本稿は，これらの問題のうち訳抜けを対象として扱う．\begin{figure}[b]\begin{center}\includegraphics{25-5ia5f1.eps}\end{center}\hangcaption{訳抜けを含むNMTによる日英翻訳結果の例．入力の網掛け部の訳が機械翻訳出力に含まれていない．参照訳の網掛け部は入力の網掛け部に対応する部分を表している．}\label{fig:example}\end{figure}従来の統計的機械翻訳(SMT)\cite{koehn-EtAl:2003:NAACLHLT,chiang:2007:CL}は，デコード中にカバレッジベクトルを使って入力文のどの部分が翻訳済でどの部分が未翻訳であるかを単語レベルで明示的に区別し，未翻訳の部分がなくなるまで各部分を一度だけ翻訳するため，訳抜けの問題および訳出の繰り返しの問題はほとんど\footnote{フレーズテーブルを構築するために対訳コーパスから抽出した部分的な対訳表現が完全であれば，翻訳時に訳抜けは発生しない．しかし，対訳文内の単語対応の推定誤りや対訳文での省略などにより，抽出した部分的な対訳表現には完全でないものも含まれるため，訳抜けが発生する場合もある．}起きない．しかし，NMTでは対訳間での対応関係は，アテンションによる確率的な関係でしか得られないため，翻訳済の原言語単語と未翻訳の原言語単語を明示的に区別することができない．このため，SMTでのカバレッジベクトルによって訳抜けを防ぐ方法をそのまま適用することは出来ない．入力文中の各単語位置に応じた動的な状態ベクトルを導入して，この状態ベクトルをソフトなカバレッジベクトル（カバレッジモデル）と見なす手法がある\cite{tu-EtAl:2016:P16-1,mi-EtAl:2016:EMNLP2016}．カバレッジモデルを用いる手法は，訳抜けの問題を軽減できる可能性がある．しかし，未翻訳部分が残っているかどうかを明示的に検出して翻訳の終了を決定しているわけではない．そのため，カバレッジモデルを用いても訳抜けが発生する問題は残る．本論文\footnote{本研究の一部は，言語処理学会第23回年次大会およびTheFirstWorkshoponNeuralMachineTranslationで発表したものである\cite{goto-tanaka:2017:NLP,goto-tanaka:2017:NMT}．}では，2種類の確率に基づく値に対して，訳出されていない入力文の内容に対する検出効果を調べる．検出方法の1つはアテンション(ATN)の累積確率を用いる方法である（\ref{sec:atn}節）．もう1つは，機械翻訳(MT)出力から入力文を生成する逆翻訳(BT)の確率を用いる方法である（\ref{sec:bt}節）．後者は，言語間の単語の対応関係の特定を必ずしも必要とせずに，MT出力に入力文の内容が含まれているかどうかを推定できるという特徴がある．また，2種類の確率に基づく値を訳抜けの検出に使う場合に，それぞれ値をそのまま使う方法と確率の比を用いる方法の2つを比較する．さらに，これらの確率をNMTのリランキングに応用した場合（\ref{sec:reranking}節）および機械翻訳結果の人手修正（ポストエディット）のための文選択に応用した場合（\ref{sec:sentence_selection}節）の効果も調べる．これらの効果の検証のために日英特許翻訳のデータを用いた評価実験を行い（\ref{sec:experiment}節），アテンションの累積確率と逆翻訳の確率はいずれも訳抜け部分として無作為に単語を選択する場合に比べて効果があることを確認した．そして，逆翻訳の確率はアテンションの累積確率より効果が高く，これらを同時に用いるとさらに検出精度が向上した．また，アテンションの累積確率または逆翻訳の確率をNMTの$n$-best出力のリランキングに用いた場合の効果がプレプリント\cite{DBLP:journals/corr/WuSCLNMKCGMKSJL16,DBLP:journals/corr/LiJ16}で報告されているが\footnote{これらの研究との関係は詳しくは\ref{sec:reranking_results}節および\ref{sec:related_work}節で述べる．}，これらと独立した本研究でも同様の有効性を確認した．さらに，訳抜けの検出をポストエディットのための文選択に応用した場合に効果があることが分かった．
V16N03-04	インターネットの普及にともない，多種多様な電子情報が至るところに蓄積され，溢れている．我々は，インターネットを介して，時と場所を選ばず，即座にそれらの情報にアクセスすることができるが，その量は非常に膨大である．「情報爆発」というキーワードのもと，わが国でも文部科学省，経済産業省が新しいプロジェクトを立ち上げ，新技術の開発に取り組み始めている．この膨大な量の情報を人手で処理することは，不可能に近い．情報には文書，画像，音声，動画など様々なものがあるが，自然言語で書かれた文書情報は，その中で最も重要な情報の1つである．文書情報を機械的に処理する技術の研究，言い換えると自然言語処理技術の研究が極めて重要になっているのはそのためである．自然言語処理技術は，2つに大別される．コーパス（統計）ベースの手法とルール（文法規則）ベースの手法である．自然言語処理技術の1つである音声認識の精度のブレイクスルーがあったことにより，最近では，コーパスベースの手法が自然言語処理技術の世界を席巻している．これは網羅性のある文法規則を開発することが困難であったことが主な要因としてあげられる．これに対し，コーパスベースの手法は，そこから得られた統計データに文法規則性が反映されており，コーパスの量を増やすことで，文法規則性をより精密に反映させることができるという考えに基いている．ところが統計データからは陽に文法規則が取り出されるわけではなく，文法規則を取り出し，それをどう改良すべきかは分からない．文法規則は機械（コンピュータ）で扱うことができる規則でなければならない．多種多様な分野の日本語の文書処理を行う文法規則の数は，およそ数千の規模になると言われている．ところがこのような日本語の文法規則を言語学者ですら作成したという話をまだ聞かない．これに対し，コーパスベースの手法による日本語文の文節係り受け解析の精度は90\%に達する\cite{kudo:2002,uchimoto:99}．これがルールベースの方法が自然言語処理技術の中心ではなくなってきた大きな理由である．ところが，最近，コーパスベースの自然言語処理法も解析精度に飽和現象が見られる．精度をさらに向上させようとすれば，現存するコーパスの量を1桁以上増やさなくてはならないといわれている．これは，音声認識精度の向上でも問題になりはじめているが，コーパスの量を1桁以上増やすことは容易なことではない．この限界を越える技術として，闇雲にコーパスの量を増やすのではなく，ルールベースの方法を再考すべき時期に来ていると考えている．本論文では，一般化LR(GeneralizedLR;GLR)構文解析\cite{deremer:82,aho:86,tomita:91}に注目する．一般化LR構文解析は，文法(CFG)規則をLR構文解析表（LR表）と呼ばれるオートマトンに変換し，効率的に解析を行う\footnote{一般化LR構文解析は，構文解析結果の順序付けに確率一般化LRモデル\cite{inui:00,briscoe:93,charniak:96,jelinek:98}を用いることができるので，ルールベース手法にコーパスベース手法を融合したハイブリッドな方法であるといえる．}．このLR表には，CFG規則のほかに品詞（終端記号）間の接続制約(adjacentsymbolconnectionconstraints;ASCCs)を反映させることもできる．品詞間の接続制約を反映させることにより，接続制約に違反する解析結果を受理しないLR表を作成できるだけでなく，LR表のサイズ（状態数や動作（アクション）数）を縮小することもでき，その結果，構文解析の使用メモリ量や解析所要時間の削減，統計データを取り入れた場合の解析精度向上の効果の増大が期待できる．品詞間接続制約をCFG規則に直接反映させることも可能であるが，非終端記号の細分化によって規則数が組み合わせ的に増大し，CFG作成者への負担やLR表のサイズの増大を招く．品詞間接続制約のLR表への組み込み手法は，これまでにも提案されているが\cite{tanaka:95,li:95}，従来の手法では，LR表中の不要な動作を十分に削除できない問題があった．本論文では新しい組み込み手法を提案し，従来の手法では削除できなかった不要な動作も削除できることを実験により示す．本論文の構成は以下のとおりである．第\ref{sec:mslr}節では，まず，一般化LR構文解析アルゴリズムを採用しているMSLRパーザ\cite{shirai:00}について説明し，従来の品詞間接続制約のLR表への組み込み手法の問題点を述べる．その問題点を踏まえ，第\ref{sec:improvement}節で新しい組み込み手法を提案し，第\ref{sec:evaluation}節で評価実験を行う．第\ref{sec:completeness}節では，提案アルゴリズムの完全性について考察を行う．最後に，第\ref{sec:conclusion}節で結論と今後の課題について説明する．
V15N01-03	日本語文のムードについて，いくつかの体系が提示されている(益岡，田窪1999；仁田1999；加藤，福地1989)\footnote{益岡ら(益岡，田窪1999)および加藤ら(加藤，福地1989)はムードという用語を用いているのに対して，仁田(仁田1999)はモダリティという用語を用いている．彼らによるムードあるいはモダリティの概念規定は表面的には異なるが，本質的には同様であると考えてよい．}．益岡ら(益岡，田窪1999)は，述語の活用形，助動詞，終助詞などの様々な文末の形式を対象にして，「確言」，「命令」，「禁止」，「許可」，「依頼」などからなるムード体系を提示している．仁田(仁田1999)は，述語を有するいわゆる述語文を中心に，日本語のモダリティを提示している．仁田の研究成果は益岡らによって参考にされており，仁田が提示しているモダリティのほとんどは益岡らのムード体系に取り込まれている．加藤ら(加藤，福地1989)は，助動詞的表現（助動詞およびそれに準じる表現）に限定して，各表現が表出するムードを提示している．提示されているムードには，益岡らのムード体系に属するものもあるが，「ふさわしさ」，「継続」など属さないものもある．既知のムード体系がどのような方法によって構成されたかは明確に示されてはいない．また，どのようなテキスト群を分析対象にしてムード体系を構成したかが明確ではない．おそらく，多種多様な文を分析対象にしたとは考えられるが，多種多様な日本語ウェブページに含まれるような文を対象にして，ムード体系を構成しているとは思われない．そのため，情報検索，評判分析(乾，奥村2006)，機械翻訳などウェブページを対象にした言語情報処理がますます重要になっていくなか，既知のムード体系は網羅性という点で不十分である可能性が高い．本論文では，多種多様な日本語ウェブページに含まれる文を分析して標準的な既知のムードとともに新しいムードを収集するために用いた系統的方法について詳述し，新しいムードの収集結果を示す．また，収集したムードとその他の既知ムードとの比較を行い，収集できなかったムードは何か，新しく収集したムードのうちすでに提示されているものは何か，を明らかにする．そして，より網羅性のあるムード体系の構成について，ひとつの案を与える．ここで，ムードの収集にあたって本論文で用いる重要な用語について説明を与えておく．文末という用語は，文終了表示記号（句点など）の直前の単語が現れる位置を意味する．文末語という用語は文末に現れる単語を意味する．POSという用語は単語の品詞を意味する．例えば，「我が家へ\ul{ようこそ}。」という文において，文終了表示記号は「。」である．文末は下線部の位置であり，文末語は「ようこそ」であり，そのPOSは感動詞である．また，ムードの概念規定としては益岡ら(益岡，田窪1999)のものを採用する．彼らによれば「話し手が，文をコミュニケーションの道具として使う場合，ある特定の事態の表現だけではなく，その事態や相手に対する話し手の様々な判断・態度が同時に表現される」．この場合，事態や相手に対する話し手の判断・態度がムードである．ただし，本論文ではウェブページに記述された文を対象にすることから，文の書き手も話し手と見なすこととする．例えば，「毎日，研究室に来い．」という文は，相手に対して命令する態度を表現しており，「命令」というムードを表出している．また，「妻にはいつまでも綺麗でいて欲しい．」という文は，「妻がいつまでも綺麗である」という事態の実現を望む態度を表現しており，「願望」というムードを表出している．以下，2節では日本語ウェブページからムードを収集する際の基本的方針について述べる．3節ではムードを収集する具体的方法を与える．4節ではムード収集において分析対象とした文末語の網羅性について議論する．5節ではムードの収集結果を示す．6節では収集したムードと既知ムードとの比較を行う．7節では，より網羅性のあるムード体系の構成について一案を示す．8節では本論文のまとめと今後の課題について述べる．
V03N04-08	現在，機械による文解析の処理単位としては，形態素が利用されることが多いが，これは，形態素を用いることにより辞書の語数を制限でき，計算機の記憶を経済的に利用できるという利点があるからである．bigramによる解析方式は，文解析や音声認識など様々な分野において高い評価を得ているものの\cite{jeli,naka}，文字や形態素を単位としたbigramによる解析は，単位が小さすぎて，文の局所的な性質を解析しているのに過ぎないと考えられる．しかし，trigramや4-gram以上になると，しばしば計算機の記憶容量の限界を超えてしまい，実用的ではない．筆者らは，知覚実験により，人間による文解析には，形態素より長い単位が用いられていることを既に明らかにしている\cite{yoko,yoko0}．従って，人間の場合と同様の長い単位を解析に用いれば，機械においても高い処理効率が得られると期待される．本論文は，このような観点から，bigramの単位として認知単位を用いる方法を提案するものである．形態素より長い単位を解析に用いる方法は，他にもいくつか報告されている．例えば，音声認識の分野において，伊藤らは休止を単位とした解析を行う方法を提案している\cite{ito}．また，テキスト処理において，文法的な解析が難しい発話を処理するために，発話を部分的に構文解析する方法なども提案されている．しかし，これらの解析に用いられている長い単位は，解析の効率化のために便宜上導入されたもので，比較的専用の用途にのみ使用できるものである．人間における文解析処理が複数段階の処理からなると仮定すれば，認知単位はその複数段階の処理において主に単位として利用されていると考えられる．従って，機械における処理を同様に多段に分けて考えるとすれば，認知単位はこの多くの段階において単位として汎用的に利用できることが期待される．機械の処理が，形態素解析，構文解析，意味解析，談話解析からなるとすれば，認知単位を利用することにより構文解析の処理を効率化できることが既に筆者らにより実証されている\cite{yoko0}．本論文では，認知単位を利用することにより形態素解析に相当する処理の効率化を行なう方法を提案し，認知単位の有効性を実証する．
V09N05-05	本研究の目的は自然言語の意味理解に必要な連想システムの開発である．例えば，“冷蔵庫に辞書がある”と人間が聞けば，冷蔵庫に辞書があることを奇妙に思い“本当ですか”と聞き返したり，誤りの可能性を考えることができるだろう．しかし，計算機ではこのような処理は困難である．これは，人間なら冷蔵庫と辞書には関係がないことを判断できたり，最初の冷蔵庫という語から辞書を連想することができないためである．このような語間の関係の強さを求める機能や，ある語に関係のある語を出力する機能を持った連想システムの開発が本研究の目的である．従来，連想ではシソーラスや共起情報などがよく用いられるが，シソーラスでは語の上位下位関係を基本とした体系しか扱えず，共起情報では人間の感覚とは異なる場合も多く十分ではない．本研究において，連想システムは語の意味と概念を定義する概念ベースおよび概念ベースを用いて語間の関連の強さを評価する関連度計算アルゴリズムで構成されている．最初の概念ベース（基本概念ベース）は複数の国語辞書から機械構築され，語は属性とその重みのペア集合により定義される．語は国語辞書の見出し語から，属性は説明文の自立語から，その重みは自立語の出現頻度をベースに決定されている\cite{Kasahara1997}．概念ベースは大規模であるため，一度に完成させることは困難であり，継続的に構築する必要がある．機械構築した概念ベースは，不適切な属性（雑音）が多く含まれ，自立語の出現頻度による重みでは，属性の意味的な重要性を正確に表現しているとは言えない．そこで，概念ベースの属性や重みの質を向上する精錬が必要となる．本稿では精錬方式として属性の確からしさ（属性信頼度）\cite{Kojima2001}を用いた重み決定方式を提案している．以下，2章では概念の定義と概念ベースについて述べる．3章では概念ベースの構築や評価に用いる関連度の定義について述べる．4章では属性信頼度を用いた概念ベースの精錬方式について述べる．5章では概念ベースの評価法について述べ，精錬後の概念ベースの評価結果について考察する．
V14N03-01	「話し手は，迅速で正確な情報伝達や，円滑な人間関係の構築といった目的を果たすために，言語を使って自分の感情・評価・態度を表す」という考えは，言語の研究においてしばしば自明視され，議論の前提とされる．たとえば「あのー，あなたは失格，なんです」という発言は，単に聞き手の失格（命題情報）を告げるだけのものではない．「失格は，聞き手にとってよくないことだ」という話し手の評価や，「聞き手にとってよくないことを聞き手に告げるのはイヤだ，ためらわれる」といった話し手の感情・態度をこの発言から読みとることは，多くの場合，難しくない．また，このような話し手の評価や感情・態度を早い段階（たとえば冒頭部「あのー」の段階）で読みとることによって，聞き手は，その後に続く，つらい知らせを受け入れる（つまり迅速で正確な情報伝達を実現させる）ための心の準備ができる．さらに「話し手が発話をためらっているのは，自分に気を遣ってのことだ」と意識することは，話し手との人間関係にとってもプラスに働くだろう．これらの観察からすれば，「話し手は，迅速で正確な情報伝達や，円滑な人間関係の構築といった目的を果たすために，言語を使って自分の感情・評価・態度を表す」という考えは，疑問の生じる余地のない，この上なく正しい考えにも見える．だが，本当にそうだろうか？本稿は，話し手の言語行動に関するこの一見常識的な考え（便宜上「『表す』構図」と呼ぶ）が，日常の音声コミュニケーションにおける話し手の実態をうまくとらえられない場合があることを示し，それに代わる新しい構図（『する』構図）を提案するものである．データとして用いるのは，現代日本語の日常会話の音声の記録（謝辞欄に記した3つのプロジェクトによるもの）と，現代日本語の母語話者の内観である．コントロールされていない日常会話の記録をデータとしてとりあげるのは伝統的な言語学者や多くの情報処理研究者にはなじみにくいことかもしれないし，内観の利用も情報処理研究者や会話分析者には奇異に映るかもしれないが，最善のデータをめぐる議論はかんたんには決着がつかない．\pagebreakここでは，両者をデータとして併用している研究は他にも見られる（たとえばChafe1992:234を参照）とだけ述べておく．
V31N03-06	DataAugmentation（以下，DA）は，機械学習における訓練データの数を増やすための手法であり，モデルを学習する際に，そのモデルの汎化性能を向上させるために利用される．一般的には，既存の訓練データに何らかの変換を施したデータを生成することによって，訓練データを水増しする．DAにおいてデータを変換する際には，モデルの学習に悪影響を与えない自然なデータを生成する必要がある．また，教師あり学習においてDAを用いるときは，ラベル付きデータのラベルは変換せずにデータのみに変換を施すのが一般的である．そのため，変換後のデータは，元のラベル付きデータのラベルと一貫性を保っている必要がある．しかし，自然言語処理で扱われるテキストデータは，画像データと比較して複雑な構造を持つため，データに変換を施すことで不自然なデータが生成されたり，ラベルとの一貫性が損なわれたりする可能性が高い．そのため，自然言語処理の分野において，DAを用いてモデルの汎化性能を向上させることは困難であるとされている．ただし，自然言語処理においても，いくつかの効果的なDAの手法が考案されている．我々はこれまでに，事前学習済みモデルであるBERT(BidirectionalEncoderRepresentationsfromTransformers)\cite{devlin-etal-2019-bert}のMaskedLanguageModelingを用いて，文に含まれる単語を別の単語に置換する手法\cite{takahagi2021da}と，文の係り受け関係が崩れないように文節の順序をシャッフルする手法\cite{takahagi2022da}の二つを提案した．また，いくつかの日本語の自然言語処理タスクを解く際に，これらの手法を用いて訓練データセットを拡張することで，モデルの性能が改善することを示した．本論文では，これらのDAの手法における変換方法や手法の効果を検証した実験の結果についてまとめる．また，これらの研究から得られた結果について改めて議論する．本論文は，本節を含めて9節から構成される．2節では，自然言語処理におけるDAの研究に対する概況について述べた後，代表的な手法や本研究の提案手法に関連する手法について概観する．3節では，本研究で提案する2つの手法の詳細と，各手法におけるデータ変換の手順について示す．4節では，提案手法を評価するために本論文で用いられるデータセット・ベンチマークについての概要を示す．5節では，本論文で利用される事前学習済みの言語モデルについて，その概要を示す．6節では，2つの提案手法を評価するために行われる実験の設定について示す．7節では，6節で示した設定で行った実験の結果について示す．8節では，実験で得られた結果をもとに，いくつかの観点から考察を行う．9節では，本論文で示した研究についての内容とその成果について総括した後に，今後の研究の展望について述べる．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%S2
V30N02-17	「渋滞」という単語はもともと\mbox{\ctext{1}\ctext{2}}のように「物事が停滞する」の意味で使用されていた．しかし自動車交通網の発展に伴い，1960年代頃から\ctext{3}\ctext{4}のように「交通渋滞」を意味する単語となった．\begin{itemize}\item[\ctext{1}]英國ハ年來斯好慣アリテ内閣ノ更迭セルタメ\underline{國務ノ{\bf澀滯}}ヲ來シタル\UTF{30FF}甚ダ少シト雖モ\item[]\begin{flushright}（1862年,朝比奈知泉『政黨内閣は果して國家永久の長計なるか』,国民之友$\langle$29$\rangle$）\footnote{中納言ID:60M国民1888\_29005（コーパス検索アプリケーション『中納言』(\url{https://chunagon.ninjal.ac.jp/})でこのサンプルIDを指定すると当該の用例を閲覧できる）}\end{flushright}\item[\ctext{2}]課長の一人や局長の半分ぐらゐ缺けてゐたとて\underline{事務に{\bf澁滯}を來たす}やうな憂ひもあるまいが、\item[]\begin{flushright}（1925年,古島一雄『役人となつての感想』,太陽$\langle$1925-9$\rangle$）\footnote{中納言ID:60M太陽1925\_09013}\end{flushright}\item[\ctext{3}]出勤したニューヨーク市民は、ふだんより多いくらいで、\underline{道路は大{\bf渋滞}}、という有様になったのです。\item[]\begin{flushright}（1975年,磯村尚徳『ちょっとキザですが』）\footnote{中納言ID:OB0X\_00030}\end{flushright}\item[\ctext{4}]高速道路入口付近で\underline{{\bf渋滞}}にまき込まれた。\item[]\begin{flushright}（1984年,安部公房『方舟さくら丸』）\footnote{中納言ID:OB2X\_00207}\end{flushright}\end{itemize}単語の意味や用法は時代や社会環境とともに現在も変化し続けている．\textbf{意味変化}と呼ばれるこの現象には，さまざまなパターンがある．前述の「渋滞」は意味する対象が狭くなる変化（物事が停滞する→交通渋滞）だったが，より広い対象を意味するように変わるパターンもある．例えば明治・大正期の用例を見ると「柔軟」は「羊の毛の柔軟」や「柔軟なるゴム」のように物理的な柔軟性を表していた．しかし現代に向かうにつれ「柔軟な姿勢」のように概念的なやわらかさを表す用例が増加する．さらに，良い意味・中立的な意味だった言葉が悪い意味で使われる変化もある．「貴様」は中・近世では敬意で用いられていたが，近世末になると目下の者への罵りの言葉に変化した．\citeA{Bloomfield-1933}によると意味変化の要因には{\bf文化的な要因}と{\bf言語的な要因}の\mbox{2つ}がある．文化的な要因は，新技術の登場や病気の大流行など社会的・文化的な事柄に起因し，急激な変化となることが多い．近年の例では，自然現象，ビールの銘柄や会社の名前だった「コロナ」が数年で「新型肺炎」としての用例を急増させた．一方，言語的な要因は特定の事柄に起因しない規則的な変化で，比較的ゆっくりと起こる．例えば\ctext{5}\ctext{6}に示す「やばい」のように，否定の意味を持っていた単語が反対の肯定的な意味で使われ出すパターンが言語的な要因である．こうした意味変化は特定の言語に限らず，さまざまな言語で起こっている\cite{hamilton-etal-2016-cultural,hou-etal-2020-language,rodina-kutuzov-2020-rusemshift}．\begin{itemize}\item[\ctext{5}]物色時間は，長いと\underline{\bfやばい}ので３分くらいだ。\item[]\begin{flushright}（1977年,警察庁『警察白書』）\footnote{中納言ID:OW1X\_00102}\end{flushright}\item[\ctext{6}]\underline{\bfやばい}ぐらい可愛くて、かっこよくて・・あなたのしぐさ、言葉、表情一つ一つにトキメイてしまう。\item[]\begin{flushright}（2008年,Yahoo!ブログ）\footnote{中納言ID:OY14\_29685}\end{flushright}\end{itemize}上記の\ctext{1}～\ctext{6}は語義が変化した典型的な意味変化である．本研究では，語義の変化と意味変化という単語を使い分ける．語義の変化は文字通り，ある語義から別の語義への変化であるが意味変化は語義の変化に限らない．例えば「尋常」という単語の変化を見ると，語義は「普通」のままだが否定的な文脈で出現する用法の変化が起きている．このように{\bfある単語特有（または少数の単語で特有）の用法の変化}も含めた広い概念として意味変化を扱う．一方で，{\bfある単語特有でない用法の変化}は意味変化としない．例えば，「複合名詞としての出現が増加（減少）」や「近代から現代にかけて動詞の基本形を名詞的に扱う用法\footnote{「支払うをす」（支払いをする，の意味）が例である．}が消失」のような変化は意味変化としない．本研究における意味変化前後の語義や用法の判断基準は\ref{eval}節で述べる．以降，意味変化前の語義や用法を{\bf原義}，意味変化後の語義や用法を{\bf転義}とよぶ．意味変化は主に言語学や辞書学で研究されてきた．また，言語を社会的な観点から捉える点で社会学でも扱われる\cite{10.1093/oxfordhb/9780199641604.013.026}．工学分野では自然言語処理が情報工学的知見を活かし，\linebreak意味変化している単語の自動検出（{\bf意味変化検出}）手法の開発や，意味変化を分析する統計的手法を提案している．これらの手法を使えば，これまで認知されてこなかった過去に意味変化していた語の発見，現在起こりつつある変化の捕捉，未来に起り得る変化の予測が可能になる．意味変化検出の研究では，出現文脈に依存しない単語ベクトルを用いた手法と出現文脈に依存した単語ベクトルを用いた手法が提案されている\footnote{「文脈」という表現は非常に曖昧であるが，本稿ではベクトル化の際にモデルへ入力する対象単語を含む文や文書を「文脈」とよぶ．モデルへの入力が文であればその文全体が文脈であり，文書であればその文書全体が「文脈」である．}$^{,}$\footnote{陽にベクトル化を使わない意味変化検出手法もあるが，単語を数理モデルで扱う都合，一般化すると文脈非依存もしくは文脈依存なベクトル化として定式化できる．}．出現文脈に依存しない単語ベクトル獲得手法の代表例はword2vecである．word2vecは1つの単語を出現文脈によらず1つのベクトル値で表現する．出現文脈に依存しない単語ベクトルを用いた手法を本稿では{\bf文脈非依存}の手法とよぶ．一方，出現文脈に依存した単語ベクトルの獲得手法ではBERTやELMoが代表的である．BERTやELMoは同じ単語でも出現文脈が変われば，文脈に応じた異なるベクトル値で表現する．出現文脈に依存する単語ベクトルを用いた手法を本稿では{\bf文脈依存}の手法とよぶ．意味変化の検出が目的であれば，文脈非依存の手法でも問題ない．しかし文脈非依存の手法は対象単語のあらゆる出現（語義・用法）をまとめて1つのベクトルで表現する．そのため，個々の出現を十分に議論できず，意味変化を語義や用法ごとに観察する{\bf意味変化の分析}（$\neq$検出）には適さない．一方，文脈依存の手法では対象単語のすべての出現に1つずつ異なる値のベクトルを作成する．これを何かしらの手法でグルーピングすれば，出現文脈に応じた語義や用法のクラスタが形成されることが期待できる．それらのクラスタの出現比率を時期ごとに算出することで語義レベルで意味変化を観測できる．本稿の目的は意味変化の分析であるため，文脈依存の手法を採用する．意味変化の分析手法として\citeA{hu-etal-2019-diachronic}と\citeA{giulianelli-etal-2020-analysing}は英語ドメインで文脈依存の手法を提案している．いずれの研究でも対象単語の文脈依存ベクトルを集めてグルーピングし，各グループの時期別出現比率を比較することで意味変化の分析を行なっている．両者の違いはグルーピング手法である．\citeA{hu-etal-2019-diachronic}は辞書に書かれた語義と例文を教師データとし，近傍法で語義クラスタの形成を試みた．\citeA{giulianelli-etal-2020-analysing}は教師データを使わず，教師なしクラスタリングのみで用法クラスタの形成を試みた．いずれも英語が対象のため，他言語での有効性は検証されていない．自然言語処理における意味変化の研究には，通時的なコーパスと対応する期間中に意味変化した語のリストおよび実際に意味変化したことを示す論拠が必要であるが，計算機上で利用できる資源の整備が進んでいないのが現状である．意味変化検出の研究は\citeA{schlechtweg-etal-2020-semeval}が公開したデータセットに含まれる英語，ラテン語，ドイツ語，スウェーデン語が主流であるが，日本語では共通に研究利用できる言語資源が限られ，利用範囲にも制限があるため，研究も前述の語族に比べて少ない．日本語で意味変化検出を行なった研究として\citeA{aida-etal-2021-paclic}があり，数単語の分析を行なっているが，単語の各語義や用法を中心とした包括的な分析は行われていない．以上を踏まえ，本研究では日本語を対象とし，以下の実験と分析を行なった．意味変化の分析の観点で，\citeA{hu-etal-2019-diachronic}の辞書を用いた手法と\citeA{giulianelli-etal-2020-analysing}のクラスタリングを用いた手法の日本語ドメインでの有効性を複数条件下で比較・検証した．また，BERTやELMoの文脈依存の手法の意味変化検出では，fine-tuningで検出精度が向上する報告があるため\cite{kutuzov-giulianelli-2020-uio}，現代語で事前学習されたBERTをfine-tuningし，その影響を検証した．以上の結果，日本語では辞書を使った手法よりも教師なしクラスタリング，特に$k$-means法を使った手法が意味変化の分析に適していることが分かった．また，現代語BERTをfine-tuningすることで，現代では使わないような古い用法でも意味変化を捉えるようになること，その一方で古い時期では使われていなかった現代の用法がノイズになるケースがあることが分かった．本研究の貢献は以下の3つである．\begin{itemize}\item2つの意味変化分析手法（辞書ベースの教師ありグルーピング手法\cite{hu-etal-2019-diachronic}と教師なしのクラスタリング手法\cite{giulianelli-etal-2020-analysing}）の比較と適用方法の検討\item日本語を対象としたBERTによるベクトル化を用いた意味変化の詳細な分析\itemfine-tuningが文脈依存の手法に及ぼす影響の調査\end{itemize}%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
V31N03-18	他の人にどこかへ連れて行ってもらいたい時，住所・緯度・経度情報などの固有位置情報や東西南北などの絶対位置情報のみならず，前後左右などの話者の\deleted{主観的な}\modified{一人称視点からの}相対位置情報によって位置情報を共有することが多い．\deleted{主観的な}\modified{このような}相対位置情報を表現する場合，\deleted{単純な}\modified{単一の}有向辺のみに基づく抽象化では，本質的に位置情報の曖昧性解消ができない場合がある．例えば，「東京タワーを背にして右前方に豆腐屋があります」という表現を有向辺で表現するためには2つの辺を利用する必要がある．1つはランドマークである「東京タワー」と空間的実体である「話し手」の現在の位置との相対的な配置を表し，もう1つは「話し手」の現在の位置とランドマークである「豆腐屋」の位置との相対的な配置を表す．\textbf{正確な位置情報を記述するためには，これらの2つの有向辺の情報を単一の位置\modified{情報}フレームとして保持し，3点の相対位置を定義することが必要である．}空間論理の分野において，相対位置情報を表現するDoubleCrossModelが提案されている．DoubleCrossModelは文字通り2つの十字(cross)を使用する位置情報フレームである．2つの十字の中心に2つのランドマークもしくは空間内実体を配置したうえで，3つ目のランドマークもしくは空間内実体の相対位置情報を表現することができる．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%fig.1\begin{figure}[b]\begin{center}\includegraphics{31-3ia17f1.pdf}\end{center}\caption{DoubleCrossModelに基づく相対位置情報表現の例}\label{fig:example1}\vspace{-0.75\Cvs}\end{figure}%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%図\ref{fig:example1}に例を示す．表現「[東京タワー](\texttt{id:T1})を背にして右前方に[豆腐屋](\texttt{id:T3})があります」に対して，聞き手の\texttt{id}を\texttt{H0}としたうえで，図\ref{fig:example1}の左下\modified{の二つの十字の図}のように表現する．本論文では，位置情報を共有する対話中の相対位置情報を，DoubleCrossModelを利用して表現することを提案する．さらに，本研究では，絶対位置情報・方向・向き・時間的距離・空間的距離・位相情報（部分・全体情報）のフレーム情報の付与手法について示す．本論文の構成は以下の通りである．\ref{sec:frame}節では，空間情報フレームのアノテーション手法について解説する．\ref{sec:double-cross}節では，提案手法であるDoubleCrossModelに基づく相対位置情報アノテーション手法を示す．\ref{sec:annotation}節では，実際のアノテーションを行ったデータの統計について示す．\ref{sec:conclusions}節に，まとめと今後の展開について示す．\modified{なお本研究は，ホンダ・リサーチ・インスティチュートにおいて，対話データの収録・転記・さまざまなメンションのタグ付けされたものに対して，どのように相対位置情報を適切にタグ付けするかについて提案するものである．}%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
V08N03-05	\label{sec:introduction}よく知られているように，人間が英語を日本語に翻訳するとき，英語の代名詞を日本語の代名詞としては表現せず，ゼロ代名詞化したり他の表現に置き換えたりすることが多い．これに対して，従来の英日機械翻訳システムでは，多くの場合，英語の代名詞はそのまま日本語の代名詞に訳される．このように代名詞を直訳すると，英文が伝えている意味と異なる意味を伝える訳文が生成されたり，文意は同じでも不自然で読みにくい訳文が生成されてしまうという問題が生じる．従って，品質の高い英日機械翻訳システムを実現するためには，ゼロ代名詞化する必要のある代名詞や他の表現に置き換えるべき代名詞を直訳しないようにすることが重要な課題となる．直訳すべきでない代名詞を認識することは一見単純であるように思えるが，ゼロ代名詞化や他の表現への書き換えには様々な要因が絡んでいるため，代名詞を直訳してもよい場合とそうでない場合をどのように区別すればよいかはそれほど自明なことではない．なお，本稿では，紛れない限り，人称代名詞と限定的機能を持つ所有代名詞\cite{Quirk85}を単に代名詞と呼ぶ．ゼロ代名詞化に関する工学的な研究は，滑川ら\cite{Namekawa99}や宮ら\cite{Miya00}による報告がある程度で，これまであまり行なわれていない．宮らの方法では，機械翻訳システムの出力文から代名詞を消すかそのまま残すかの二値の判定が，代名詞とそれに付属する助詞の表記に着目して人手で記述した規則に基づいて行なわれる．しかし，二値の判定では次の文(J\ref{SENT:scold})のような場合に適切に対処できない．文(J\ref{SENT:scold})には，``she''が``Mary''を指しているという文(E\ref{SENT:scold})の文意を伝えないという問題がある\cite{Kanzaki94}．この問題に対処するために，文(J\ref{SENT:scold})から「彼女」を消すと「家を出る」の主語が「メアリー」であるのか「ジョン」であるのかが曖昧になるという問題が新たに生じる．主語の曖昧さが生じるのを抑え，かつ文(E\ref{SENT:scold})と同じ文意を伝えるためには，文(J\ref{SENT:scold}'')のように「彼女」を「自分」に置き換える必要がある．\begin{SENT3}\sentEMaryscoldedJohnbefore{\itshe}lefthome.\sentJ彼女が家を出る前に，メアリーはジョンを叱った．\NewsentJ$\phi_{she}$家を出る前に，メアリーはジョンを叱った．\YAJ自分が家を出る前に，メアリーはジョンを叱った．\label{SENT:scold}\end{SENT3}また，代名詞をどのように書き換えるかは様々な要因によって決まるため，複雑に関連し合う要因を人手で整理し，その結果に基づいて規則を記述するより，統計的帰納学習法を利用して事例集から規則を自動的に作成するほうが適切であると考えられる．このようなことから本稿では，1)代名詞を消すか残すかの二値の判定ではなく，消すか残すかあるいは他の表現に置き換えるかの多値の判定を行ない，2)規則の記述を人手で行なうのではなく，決定木学習アルゴリズムを利用して事例集から規則を自動的に作成する方法を示す．以下，代名詞を直訳するとどのような問題が生じるかを\ref{sec:problems}\,節で整理する．次に\ref{sec:decision_tree}\,節で決定木学習に簡単に触れる．\ref{sec:corpus}\,節では決定木学習に必要な正解付きコーパスの作成について述べ，\ref{sec:feats}\,節で決定木学習に使用した属性について説明する．\ref{sec:experiment}\,節では，提案手法の有効性を検証するために行なった実験の結果について考察する．
V14N05-02	我々人間は，日常生活において様々な会話の中から必要に応じて情報を取捨選択している．さらに，会話の流れに即して語の意味を適宜解釈し，適切な応答を行っている．人間は語の情報から適切な応答を行うために，様々な連想を行っている\cite{yoshimura2006}．例えば，「車」という語から「タイヤ」，「エンジン」，「事故」，…，といった語を自然に連想する．連想によって，会話の内容を柔軟に拡大させている．このように，柔軟な会話ができる背景には，語の意味や，語と語の関係についての膨大な知識を有しているため，種々の知識から語と語の関連性を判断し，新たな語を連想することができることが挙げられる．実生活における会話では，「車と自動車」，「自動車と自転車」のように，同義性や類似性の高い語と語の関係のみならず，「車と運転」，「赤ちゃんと玩具」，「雨と傘」のように，広い意味での語と語の関連性の評価が必要となる場合が多い．人間とコンピュータ，あるいはコンピュータ同士の会話においても，人間のような柔軟で常識的な応答を行うためには連想機能が重要となる．そのためには，コンピュータに語と語に関する知識を付与し，同義性や類義性のみならず，多様な観点において語と語の関連の強さを定量的に評価する手法が必要となる．これまで，コンピュータにおける会話処理の重要な要素の一つとして，語と語の類似度に関する研究がなされてきた．類似度の研究では，シソーラスなどの知識を用いて，語と語が意味的にどの程度似ているかを評価することを目的としている\cite{kasahara1997}．そのため，会話において未知の語が出現した場合には，既知の知識との類似度を算出し，同義語や類義語に置換することによって語の意味を理解することが可能となる．一方，本論文では，コンピュータとの会話において，「雨が降っていますよ」という文に対し，「雪」，「霧」，…などの「雨」に対する同義語や類義語だけではなく，「雨」や「降る」という語から，人間が自然に想起するような，「傘」，「濡れる」，「天気予報」，…などの語を幅広く想起させ，自然な会話を行うための連想機能を実現することを目的としている．コンピュータがこのような連想をできるならば，「雨が降っていますよ」という文に対して，「それでは傘を持っていきます」という応答を生成することが可能となる．コンピュータの連想機能を実現するために，概念ベースとそれを用いた関連度計算方式が提案されている\cite{kojima2004,watabe2001,watabe2006}．概念ベースでは，語の意味（概念）が，電子化国語辞書から抽出した特徴語（直接意味語・間接意味語）と重みの集合で定義されている．各特徴語（属性）の重みは，概念と概念の関連の強さを定量的に評価するための基本量として定義している．すなわち，概念ベースの構築においては，概念に対する属性をどのように抽出し，各属性に付与する重みをどのように決定するかが重要となる．本論文では，電子化辞書から構築された4万語規模の概念ベースを，電子化された新聞記事等を用いて12万語規模の概念ベースへ拡張する手法について述べている．概念ベースの構築手法については，電子化辞書から見出し語に対する語義説明文から属性を抽出し，属性信頼度に基づく精錬を行う手法が提案されている．しかしながら，この手法には大きく2つの問題点が存在する．第一には，辞書の語義説明文から取得される大部分の属性は，語の狭義の意味を説明する語（直接意味語）であり，間接的に見出し語と関連を持つ広義の意味語（間接意味語）を獲得することが困難である点である．これは，コンピュータに柔軟な連想機能を実現する上で，同義や類義の語以外の連想語を取得する際に大きく影響する．直接意味語と間接意味語について，「自動車」の例を挙げる．\noindent例．自動車\begin{description}\item[直接意味語]車，車輪，原動機，回転，装置，ブレーキ，…\item[間接意味語]渋滞，免許証，事故，便利，交通，信号，保険，レース，…\end{description}第二には，4万語規模の概念ベースでは，幅広い連想を行い，語と語の関連性を定量化する上で語彙が不十分である点である．概念を定義するための属性は，全て概念ベースに定義されている語でなければならないという制約があるため，4万語規模の概念ベースに定義されていない語を，新たな属性として概念に付与するためには，概念ベースの拡張が必須となる．概念ベースの拡張においては，概念に付与すべき属性の抽出手法，並びに，獲得した属性に対する重みの付与手法が必要となる．まず，国語辞書からの概念ベース構築の際に適切に属性を取得することができなかった概念を抽出し，不適切な概念を削除する．属性の抽出手法として，電子化された新聞記事等における共起に基づく手法を提案する．また，重みの付与手法として，属性関連度と概念価値に基づく手法を提案する．このように拡張した概念ベースの有用性を，関連度計算方式を用いた評価実験によって示している．
V01N01-03	従来の構文解析法は基本的に句構造文法あるいは格文法をその拠り所としてきた．前者の考え方は局所的統合の繰り返しによって文の構造を認識しようというものである．しかし，実際にそのような方法で文を解析しようとすると，規則の数が非常に多くなり，なおかつ十分な精度の解析結果を得ることが困難であった．また，格文法の場合は格要素を決定するための意味素が必ずしもうまく設定できず，またこの場合も基本的には局所的な解析であるため，十分な精度の解析結果が得られていない．これらの問題を解決するためには，これらの文法的枠組に加えて，局所的記述ではとらえきれない情報を文中の広い範囲を同時的に調べることによって取り出す必要がある．日本語文解析の困難さの原因の一つである並列構造の範囲に関する曖昧性の問題も，このような「広い範囲を同時的に調べる」ことを必要とする問題の一つである．日本語文は，特に長い文になればなるほど多くの並列構造を含んでいる．「〜し，〜し，〜する」のように，いわゆる連用中止法によって複数の文を1文にまとめることができることは日本語文の特徴でもある．それ以外にも，名詞並列，形容詞並列や，連体修飾節の並列などが頻繁に現れる．このような並列構造に対する従来の解析方法は，基本的には次のようなものであった\cite{Nagao1983,Agarwal1992}．例えば「\ldots原言語を解析する\underline{処理と}相手言語を生成する\underline{処理を}\ldots．」という文では，並列構造前部の{\bf主要語}である「\underline{処理(と)}」に対して，それよりも後ろにある名詞の中から最も類似している名詞を探すという方法により後部の主要語を決定していた(この場合「\underline{処理(を)}」が後部の主要語)．しかし並列構造においては，主要語間だけではなく，構造内の他の語の間(この例の場合「原言語」と「相手言語」，「解析する」と「生成する」)にも，さらに文節列の並び(「〜を〜する〜と〜を〜する〜」)にも類似性が認められる場合が多く，これらの類似性を考慮することによってより正確に並列構造を認識することができる．そこで我々は，並列構造の存在を示す表現(名詞並列を示す助詞「と」など)の前後における最も類似度の高い文節列の対を，音声認識などで広く使われているダイナミックプログラミングのマッチング法と同様の考え方を用いて発見するという方法を考案し，このことにより並列構造の高精度な検出が可能であることを示した\cite{KurohashiAndNagao1992}．本論文では，このようにして検出した並列構造の情報を利用して構文解析を行なう手法を示す．多くの場合，いったん並列構造が発見されると文の構造は簡単化した形でとらえることができる．その結果，単純な係り受け規則を適用するだけで高精度な構文解析が可能となる．本手法は，たとえば，大規模なテキストを解析して，そこから新しい情報を取り出そうとするような場合に特に有用である．対象テキスト中の専門用語や専門的に使われている述語について，それらの相互間の関係はそこで始めて提示された概念であるかもしれない．その場合には，そのような概念の相互関係は辞書に記述されておらず，辞書中の意味記述に頼った解析は不成功となる．また，大規模なテキストを扱うのに十分であるような複雑な文法規則や詳細な格記述を用意することは，実際には非常に困難である．新しい概念は用語相互間のシンタックスによって示されるのであるから，シンタックスを尊重した解析が重要である．また，本手法でうまく扱えない問題を整理することによって，構文解析における本質的問題を明らかにすることも重要な問題である．これまでの，構文解析における曖昧性の議論では，人間にとっても曖昧であるような表現を取り上げたものが多かった．しかし，従来の構文解析法が十分でないという印象を人間に与えるのは，そのような点ではなく，人間であれば絶対にしないような部分に不必要な曖昧性を認識するためである．その原因がどこにあるかを調べるためには，本手法のように高精度でかつ決定論的に動作する道具立てが必要である．{\unitlength=1mm\begin{figure}\begin{center}\begin{picture}(90,70)\put(5,5){\framebox(80,60){ps/examp1.new.ps1}}\end{picture}\end{center}\caption{並列構造の推定の例(例文1)}\label{fig:suitei_rei}\end{figure}}
V23N01-05	\begin{table}[b]\caption{2014年度代ゼミセンター模試（第1回）に対する得点と偏差値}\label{tab:intro:2014}\input{05table01.txt}\end{table}「ロボットは東大に入れるか」（以下，「東ロボ」）は国立情報学研究所を中心とする長期プロジェクトである．同プロジェクトは，AI技術の総合的ベンチマークとして大学入試試験問題に挑戦することを通じ，自然言語処理を含む種々の知的情報処理技術の再統合および新たな課題の発見と解決を目指している．プロジェクトの公式目標は2016年度に大学入試センター試験において高得点を挙げ，2021年度に東大2次試験合格レベルに達することである．プロジェクトでは，2016年度のセンター試験「受験」に至るまでの中間評価の一つとして，2013年度，2014年度の2回に渡り代々木ゼミナール主催の全国センター模試（以下，代ゼミセンター模試）を用いた各科目の解答システムの評価を行い，その結果を公表した．\TABREF{tab:intro:2014}に2014年度の各科目の得点と偏差値を示す\footnote{数学・物理に関しては他の科目と異なり付加情報を含む入力に対する結果である．詳細はそれぞれに関する節を参照のこと．国語は，未着手の漢文を除いた現代文・古文の計150点に関する偏差値を示す．}．2013年度の結果については文献\cite{arai}を参照されたい．大学入試試験問題は志願者の知的能力を客観的に測定することを目的として設計されたデータであり，通常ただ1回の試験によって，かつ，受験者間での公平性を担保しながら測定を行うために入念な検討が加えられている．この点で，入試試験問題は言語処理を含む知的情報処理技術の総合的ベンチマークとして恰好の素材であるといえる．特に，その大部分が選択式問題からなるセンター試験形式のテストは，ごく単純な表層的手がかりのみでは正解できないように設計されていると考えられ，現在70\%から90\%の精度に留まっている種々の言語処理技術をより信頼性高く頑健なものへと導くためのガイドラインとして好適である．さらに，模試・入試によるシステムの性能測定結果は人間の受験生の正答率や誤りの傾向と直接比較することが可能である．センター試験は毎年約50万人が受験し，予備校によるセンター試験模試も数千から数万人規模の参加者を集める．このような大規模なサンプルから得られた「普通の人」「典型的な人」の像とシステムとの比較は，人によるアノテーションに対する再現率に基づく通常の性能測定とは異なる達成度の指標となっている．代ゼミセンター模試による2014年度の評価では，英語・国語・世界史Bで受験者平均を上回る得点を獲得するなど，大きな成果があった一方で，その得点に端的に現れているように，残された課題も大きい．本稿では，代ゼミセンター模試およびその過去問を主たる評価データとして各科目の解答システムのエラーを分析し，各科目における今後の課題を明らかにするとともに，「普通の人」と比較した際の各科目・問題タイプにおける達成度に関してひとつの見取り図を与えることを目指す．「東ロボ」プロジェクトのひとつの特徴は，多様な科目・課題に並行的に取り組むことであり，様々な課題に対する結果を通じて，現在のNLP/AI諸技術の達成度を可能な限り通覧することはプロジェクト全体の目的でもある．このため，本稿では問題タイプ毎のエラーに対する分析は主として解決への糸口となる傾向の分析までにとどめ，多数の科目・問題タイプについてそのエラー傾向と今後の課題を示すことを主眼とした．以下では，まず知的情報処理課題としてのセンター模試タスクの概要をまとめたのち，英語，国語，数学，物理，日本史・世界史の各科目について分析結果を述べる．
V06N02-02	音声認識・文字認識の精度向上のため，より高い性能を持つ言語モデルを求めることは重要である．近年は，モデル構築やメンテナンスの容易さの点から，コーパスに基づく統計的言語モデルの研究が盛んである．大語彙ないしタスク非依存のシステムのための統計的言語モデルとして今日もっとも有望視されているものに，$n$-gramが挙げられる．$n$-gramは大量のテキストコーパスからの単純な数え上げによって得られる統計量であり，強力かつ頑健性に優れている．英語などのヨーロッパ系言語においては，$n$-gramの単位として単語を用いることが多い．大語彙のシステムでは単語はカテゴリ数が非常に大きくなるため，単語の代わりに品詞を用いる\cite{nagata94}，または単語クラスタリングによって得られる単語クラスを用いることが多い．これらの言語においては単語は分かち書きされるため機械的に取り出すことができ，数え上げも容易に行える．これに対し，日本語や中国語には分かち書きの習慣がない．朝鮮語は文節ごとに分かち書きをするが，その分かち方は一定しないうえ，$n$-gramの単位としては大き過ぎて汎化性に難がある．よって，これらの言語を$n$-gramによってモデル化する際には，テキストコーパスに何らか\breakの前処理が必要である．これには次の可能性が考えられる．\begin{itemize}\item人手によって分割されたタグ付きコーパスを使う\item自動形態素解析システムによって単語に分割する\item経験的な統計基準によって文字列に分割する\end{itemize}このうちタグ付きコーパスを使う方法には，コーパス自体の入手が質的・量的な困難を伴うという欠点がある．形態素解析に基づく方法は有効であるが，モデルを学習するためにはまず形態素解析システムを用意せねばならないうえ，特定タスクに対して高い性能を得るためには予め辞書をチューニングする必要があると考えられ，メンテナンスのコストがかかる．また，形態素解析システムの文法規則によっては機能語が短めに分割される傾向があり，$n$-gramの性能を必ずしも最大にするものではない．これらの手法に対して，伊藤ら\cite{aito96}は統計的な基準によって文\mbox{字列の集合を選}定し，その文字列に分割されたテキストを使って$n$-gramを学\mbox{習する方法を提案している．文字}列を選定する基準としては，単純な頻度，および語彙の自動獲得のために提案されている正規\break化頻度\cite{nakawatase95}の高いものから選ぶ方式が\mbox{有効であったとされる．この方法は，形態素解}析を必要としない点で優れている．しかし，抽出すべき文字列の最適な個数を見出す方法については述べられていない．また，用いられている基準と言語モデルの能力との理論的関係は浅く，最良の分割方法である保証はない．さらに，この手法ではテキストが明示的に分割される．このため，接辞を伴った語や複合語などの長い文字列が抽出された場合，その文字列を構成するもっと短い語は出現しなかったのと同様な扱いを受けることになる．有限のテキストから汎化性の高い言語モデルを構築したい場合に，このような明示的な分割が最良の結果を与えるとは限らない．本論文では，高い曖昧性削減能力を持つ新しい言語モデルを提案する．このモデルは，superwordと呼ぶ文字列の集合の上の$n$-gramモデルとして定義される．superwordは訓練テキスト中の文字列の再現性のみに基づいて定義される概念であり，与えられた訓練テキストに対して一意に定まる．具体的な確率分布は，訓練テキストからForward-Backwardアルゴリズムによって求める．訓練テキストを明示的に分割せぬまま学習を行うため，長い文字列中の部分文字列を「再利用」することが可能となり，少量の訓練テキストでも効率の良いモデル化が期待できる．本論文ではまた，いくつかのモデルの融合による汎化性の向上についても検討する．実時間性が要求される大語彙連続音声認識システムにおいては，緩い言語モデルを用いて\mbox{可能性をしぼり込んだ後，詳細な言語モデルによって最終出力を導}く２パス処理が一般的である．本論文で提案するような字面の適格性を与える言語モデルは，ディクテーションシステムの第２パス，すなわち後処理用の言語モデルとして有用であるものと考えられる．また，文字$n$-gramを用いた認識手法\cite{yamada94}を本手法に応用することも可能である．
V03N02-03	国文学研究は，わが国の文学全体に渡る文学論，作品論，作家論，文学史などを対象とする研究分野である．また，広く書誌学，文献学，国語学などを含み，歴史学，民俗学，宗教学などに隣接する．研究対象は上代の神話から現代の作品まで，全ての時代に渡り，地域的にも歴史上のわが国全土を網羅する．文学は，人の感性の言語による表出であるから，国文学は日本人の心の表現であり，日本語を育んだ土壌であると言える．すなわち，国文学研究は現代日本人の考え方と感じ方を育てた土壌を探る学問であると言える．文学研究の目標は，文学作品を通じて，すなわち文字によるテキストを主体として，思潮，感性，心理を探求することである．テキストは単なる文字の羅列ではなく，作者の思考や感情などが文字の形で具象化されたものであるから，研究者は書かれた文字を「ヨム」ことによって，作者の思考や感情を再構築しようとする．換言すれば，文学作品を鑑賞し，評論し，その作品を通しての作者の考え方を知ることである．なお，「ヨム」こととは，読む，詠む，訓むなどの意味である．最近，国文学とコンピュータの関わりに対する関心が高まり，議論が深まってきた\cite{Jinbun1989-1990}．元来，国文学にとってコンピュータは最も縁遠い存在と見られてきた．国文学者からみれば，コンピュータに文学が分かるかとか，日本語のコンピュータが無いなどの理由である．一方では，コンピュータへ寄せる大きな期待と，現状との落差から来る批判もある\cite{Kokubun1982,Kokubun1992,Kokubun1989-1994}．現在，文学研究にコンピュータが役立つかを確かめることが必要となった．日本語処理可能なパソコンなどの普及により，国文学者の中でも\cite{DB-West1995}，自身でテキストの入力を行い，また処理を始めている．しかし，未だほんの一部であって，普及にはほど遠く，またワープロ的な利用が多い．コンピュータは，単に「ハサミとノリ」の役割\cite{Murakami1989}であるとしても，その使い方によっては，かなり高度な知的生産のツールに成り得る．また，研究過程で使われる膨大な資料や情報と，それから生成される多様なデータや情報の取り扱いには，コンピュータは欠かせないに違いない．具体的にコンピュータの活用を考えるためには，文学の研究過程の構造認識が必要である．文学研究は個人的と言われるが，この研究過程が普遍化できれば，モデルが導出できる．すなわち，コンピュータの用途が分かってくる．本稿では，国文学研究資料館における事例に基づき，国文学とコンピュータの課題について考える．国文学研究資料館は，国の内外に散在する国文学資料を発掘，調査，研究し，収集，整理，保存し，広く研究者の利用に供するために，設立された大学共同利用機関である．また，国文学研究上の様々な支援活動を行っている\cite{Kokubun1982}．本稿は，以下のような考察を行っている．２章では，国文学の研究態様を分析し，情報の種類と性質を整理し，研究過程を解明し，モデル化を行っている．３章では，モデルを詳細に検討し，定義する．また，モデルの役割をまとめ，コンピュータ活用の意味を考える．４章は，モデルの実装である．研究過程で利用され，生成される様々な情報資源の組織化と実現を行う．そのために，「漱石と倫敦」考という具体的な文学テーマに基づき，システムの実装を行い，モデルの検証を行った．その結果，モデルは実際の文学研究に有効であること，とくに教育用ツールとして効果的であるとの評価が得られた．
V29N02-16	label{sec:intro}%==================================================BLEU\cite{papineni-2002}やMETEOR\cite{banerjee-2005}などの参照文に基づく自動評価指標は，ベンチマーク上での機械翻訳(MT)システムの開発に貢献してきた．しかし，ユーザが実際にMTシステムを使用する際には，事前に参照文を用意できない場合が多いため，これらの自動評価指標を用いてユーザがMTの品質を確認することは難しい．本研究では，参照文を用いない自動評価である品質推定(QualityEstimation,QE)\cite{specia-2018}に取り組む．QEでは，原文とそれに対応するMT出力文を比較することで，MT品質を推定する．人手評価との相関が高いQE手法を開発することにより，MT出力文をそのまま使用するか，手動または自動で後編集するか，他のMTシステムを利用するかというユーザの判断を支援できる．国際会議WMTにおけるQEタスク\cite{specia-2020}を中心に，これまで多くの教師ありQE手法\cite{specia-2013,kim-2017,ranasinghe-2020}が提案されてきた．しかし，これらの教師ありQEモデルの訓練には，「原文・対応するMT出力文・人手評価値」の3つ組が必要である．このようなQE訓練データの構築は，翻訳者などの原言語と目的言語の両方に精通したアノテータによる作業が必要となるため，非常にコストが高い．そのため，WMTのQEタスクに含まれるような，わずかな言語対でしか教師ありQEモデルを得られないのが現状である．この問題を解決するために，教師なしQEが研究されている．教師なしQEの先行研究は多言語MTシステムに基づいており，MTシステムの符号化器のみを用いる手法\cite{artetxe-2019a}およびMTシステムの符号化器と復号器の全体を用いる手法\cite{thompson-2020,fomicheva-2020b}に大別できる．これらの既存手法は，人手評価のアノテーションこそ不要なものの，評価対象の言語対における大規模な対訳コーパスを用いた訓練が必要である．本研究では，大規模な対訳コーパスを用意できない言語対においても翻訳品質を推定できる教師なしQE手法を提案する．\citeA{thompson-2020}と同様に，提案手法は多言語MTシステムに基づき，原文を入力として評価対象のMT出力文をforced-decodingする際の翻訳確率を品質推定に用いる．提案手法では，事前訓練された多言語雑音除去自己符号化器\cite{lewis-2020,liu-2020}を活用することで，少資源，ひいては対訳コーパスが存在しない言語対においてもQEを可能とする．大規模な単言語コーパスによって訓練された多言語雑音除去自己符号化器を再訓練して得られるMTシステムはゼロショット設定の言語対においても機械翻訳が可能となることが示されている\cite{liu-2020}．同様の効果がQEにおいても期待され，一部の言語対における対訳コーパスを用いた再訓練によって他の言語対のQE性能も向上すること，さらには対訳コーパスを用意できない言語対におけるゼロショットQEも実現できると考えられる．WMT20QEタスク\cite{specia-2020}における実験の結果，提案手法は既存の教師なしQE手法よりも高い人手評価との相関を達成した．また，詳細な分析の結果，対象言語対の対訳コーパスを使用しないゼロショットの設定においても提案手法は良好な結果が得られ，教師なしQEにおける単言語コーパスを用いた雑音除去自己符号化器の事前訓練の有効性を確認できた．%==================================================
V16N04-02	近年，コロケーションの研究は自然言語処理及びコーパス言語学において盛んになっている．このコロケーションの一種である遠隔共起\footnote{本稿では，あるテクストにおいて，語と他の言語的要素が同時に出現する現象を「共起」と呼ぶ．情報処理およびコーパス言語学において，同じような意味で「コロケーション」という用語も利用される．文末モダリティ形式との共起は語と文法範疇の共起とも考えられ，そのような語と文法範疇の共起は「コリゲーション」という用語を使用することがある．それに対して，語と語の共起は「コロケーション」と呼ばれる\cite{IshikawaBook}．本章では，両方の現象を「共起」という用語で扱う．「遠隔共起」というのは離れた位置に出現する共起である．}は，頻繁に現れる言語現象であるにも関わらず，研究としては取り上げられていない．日本語における遠隔共起の一つとして推量副詞と文末モダリティ形式\footnote{たとえば，「\textgt{\underline{たぶん}}最初は発表のスタイルもばらばらで声もあまり出ない\textgt{\underline{だろう}}」の例には，「たぶん」は推量副詞，「だろう」は文末モダリティ形式である．推量副詞および文末モダリティは，両方とも，話し手の確信の度合いを表している．}との共起関係があげられ，日本語教育においても重要な問題の一つである．このような共起はモダリティを二重に表現していることにより，テクストにおける重要な語用論的な指標となっている\cite{Bekes}．\shortciteA{Srdanovic2008a}では，工藤\citeyear{Kudou}が示した確率論的性格を有する推量副詞と文末モダリティの「共起」の振る舞いが，複数のコーパスの分析の結果においても確認された．さらに，推量副詞と文末モダリティ形式の共起はテクストの種類によって著しく異なっていることが示され，日本語コーパス資料の分類の可能性が明らかにされた．日本語においてモダリティ形式とそのバリエーションが非常に多いにもかかわらず，そのリストが存在しないため，現在の形態素解析ツールにおいては複数の形態素の連なりからなる様々なモダリティ形式の認識が不可能である．このことから，本研究ではコーパス検索ツールSketchEngine(SkE)\shortcite{Srdanovic2008b,Srdanovic2008d}において日本語の推量副詞とモダリティ形式の遠隔共起が検索可能になるように機能の拡張を試みる．実現方法としては，複数のコーパス分析の結果に基づいて，モダリティ形式とそのバリエーションのリストを作成し，ChaSenで認識できるようにした上で，語の文法・共起情報を提示するために推量副詞と文末モダリティ形式との遠隔共起が容易に抽出できるようにする．この抽出結果によって，日本語の学習者，研究者，教師が推量副詞と文末モダリティ形式の共起表現を簡単に調べられ，学習辞書や教科書などの作成に効率的に応用できるようになると考えられる．
V21N02-08	述語項構造は，文章内に存在する述語と，その述語が表現する概念の構成要素となる複数の項との間の構造である．例えば次の文，\enumsentence{[太郎]は[手紙]を\underline{書い}た．}では，述語「書く」に対して，「太郎」と「手紙」がこの述語の項であるとされる．また，述語が表現する「書く」という概念の上でそれぞれの項の役割は区別される．役割を表すためのラベルは用途に応じて様々であるが，例えば，ここでの「太郎」には「ガ格」「動作主」「書き手」などのラベル，「手紙」には「ヲ格」「主題」「書かれる物」などのラベルが与えられる．このように，述語に関わる構成要素を構造的に整理する事によって，複雑な文構造・文章構造を持った文章において「誰が，何を，どうした」のような文章理解にとって重要な情報を抽出することができる．このため，述語項構造の解析は，機械翻訳，情報抽出，言い換え，含意関係理解などの複雑な文構造を取り扱う必要のある言語処理において有効に利用されている\cite{shen2007using,liu2010semantic}．述語項構造解析においても，近年，形態素解析や構文解析などで行われている方法と同様に，人手で作成した正解解析例をもとに統計的学習手法によって解析モデルを作成する方法が主流となっている\cite{marquez2008srl}．述語項構造を付与したコーパスとしては，日本語を対象にしたものでは，京都大学テキストコーパス(KTC)\cite{KUROHASHISadao:1997-06-24}の一部に付けられた格情報\cite{kawahara2002construction,河原大輔2002関係}やNAISTテキストコーパス(NTC)\cite{iida2007annotating,飯田龍2010述語項構造},GDAコーパス\cite{hashida05},解析済みブログコーパス(KyotoUniversityandNTTBlogCorpus:KNBC)\cite{橋本力2009},NTCの基準に従ってBCCWJコーパス(国立国語研究所)\nocite{bccwj}に述語項構造情報を付与したデータ(BCCWJ-PAS)\cite{komachi2011}などがあり，英語を対象にしたものでは，PropBank~\cite{palmer2005pba},FrameNet~\cite{Johnson2003},NomBank~\cite{meyers2004nombank},OntoNotes~\cite{hovy2006ontonotes}などが主要なコーパスとして挙げられる．過去十年間の述語項構造解析技術の開発は，まさにこれらのデータによって支えられてきたといって過言ではない．しかしながら，日本語の述語項構造コーパスは，その設計において未だ改善の余地を残す状況にあると言える．第一に，比較的高品質な述語項構造がアノテートされた英語のコーパスに比べて，日本語を対象とした述語項構造のアノテーションは，省略や格交替，二重主語構文などの現象の取り扱いのほか，対象述語に対してアノテートすべき項を列挙した格フレームと呼ばれる情報の不足などにより，作業者間のアノテーション作業の一致率に関して満足のいく結果が得られていない．例えば，現在ほとんどの研究で開発・評価に利用されているNTCに関して，飯田らは，作業者間一致率や作業結果の定性的な分析を踏まえれば，アノテーションガイドラインに少なからず改善の余地があるとしている\cite{飯田龍2010述語項構造}．また，我々は，述語項構造アノテーションの経験のない日本語母語話者一名を新たに作業者とし，KTC，NTCのアノテーションガイドラインを熟読の上で新たな日本語記事に対して述語項構造アノテーションを行ったが，KTC,NTCのどちらのガイドラインにおいても付与する位置やラベルを一意に決めることの出来ないケースが散見された．述語項構造のようにその他応用解析の基盤となる構造情報については，これに求められる一貫性の要求も高い．したがって，今後，述語項構造の分析や解析器の開発が高水準になるにつれて，既存のコーパスを対象とした学習・分析では十分な結果が得られなくなる可能性がある．そのような問題を防ぐためには，現状のアノテーションガイドラインにおいて判断の揺れとなる原因を洗い出し，ガイドラインを改善しつつ，アノテーションの一貫性を高めることで，学習・分析データとしての妥当性を高い水準で確保していく必要がある．第二に，より質の高いアノテーションを目指してガイドラインを改善することを考えた場合，それぞれの基準をどういった観点で採用したかが明確に見てとれるような，論理的で一貫したガイドラインが必要となるが，KTC,NTCなどの既存のアノテーションガイドライン\cite{ntcguideline,ktcguideline}や関連論文\cite{kawahara2002construction,河原大輔2002関係,iida2007annotating,飯田龍2010述語項構造}を参照しても，個々の判断基準の根拠が必ずしも明確には書かれていない．典型的に，アノテーションガイドラインの策定時に議論される内容はコーパス作成者の中で閉じた情報となることが多く，その方法論や根拠が明示的に示された論文は少ない．このため，付与すべき内容の詳細をどのように考えるかという，アノテーションそのものの研究が発展する機会が失われているという現状がある．また，KNBCやBCCWJ-PASのように既存のガイドラインに追従して作られるコーパスの場合，新規ドメインに合わせるなど一部仕様が再考されるものの，アノテーションの研究は一度おおまかにその方向性が決まってしまうと，再考するための情報の不足もあり，本質的に考えなければならない点が据え置かれ，さらに詳細が議論されることは稀である\footnote{公開されているガイドラインを確認する限りでは，KNBC作成時には格関係に関するガイドラインは再考されていない．BCCWJ-PASの仕様は，機能語相当表現の判別に辞書を用いる点と，ラベル付与の際に既存の格フレームを参照する点をのぞいて，NTCの仕様とおよそ同等である．}．そこで，本研究では，この二つの問題を解消するために，既存のコーパスのガイドラインにおける相違点や曖昧性の残る部分を洗い出し，どのような部分に，どのような理由で基準を設けなければならないかを議論し，その着眼点を明示的に示すことを試みた．具体的には，(i)既存のガイドラインに従って新たな文章群へあらためてアノテーションを行った結果に基づいて議論を行い，論点を整理したほか，(ii)新規アノテーションの作業者，既存の述語項構造コーパスの開発者，また既存の仕様に問題意識を持つ研究者を集め，それぞれの研究者・作業者が経験的に理解している知見を集約した．(iii)これらをふまえ，述語項構造に関するアノテーションをどう改善するべきか，どの点を吟味すべきかという各論とともに，アノテーション仕様を決める際の着眼点としてどのようなことを考えるべきかという議論も行った．本論文ではこれらの内容について，それぞれ報告する．次節以降では，まず，\ref{sec:related_work}~節で述語項構造アノテーションに関する先行研究を概観し，\ref{sec:ntc}節で今回特に比較対象としたNAISTテキストコーパスの述語項構造に関するアノテーションガイドラインを紹介する．\ref{sec:how-to-discuss}節で研究者・作業者が集まった際の人手分析の方法を説明し，\ref{sec:individual}~節で分析した事例を種類ごとに紹介する．さらに，\ref{sec:framework}~節で，述語項構造アノテーションを通じて考察した，アノテーションガイドライン策定時に考慮される設計の基本方針について報告し，\ref{sec:individual}~節で議論する内容との対応関係を示す．最後に\ref{sec:conclusion}~節でまとめと今後の課題を述べる．以降，本論文で用いる用語の意味を以下のように定義する．\begin{itemize}\itemアノテーション仕様：どのような対象に，どのような場合に，どのような情報を付与するかについての詳細な取り決め．\itemアノテーションスキーマ：アノテーションに利用するラベルセット，ラベルの属性値，及びラベル間の構造を規定した体系．アノテーション仕様の一部．\itemアノテーションフレームワーク：アノテーションにおいて管理される文章やデータベースの全体像，及びアノテーション全体をどのように管理するか，どのような手順で作業を行うかなどの運用上の取り決め．\itemアノテーションガイドライン：作業の手順や具体的なアノテーション例などを含み，実際のアノテーションの際に仕様の意図に従ったアノテーションをどのようにして実現するかを細かく指示する指南書．\itemアノテーション方式：特定のコーパスで採用される仕様，スキーマ，フレームワークのいずれか，もしくはその全体．\itemアノテーション基準：あるラベルやその属性値を付与，あるいは選択する際の判断基準．\itemアノテーション規則：アノテーション基準を守るべき規則として仕様やガイドラインの中に定めたもの．\end{itemize}
V09N02-03	本論文では,コーパスから事象間の関係を抽出する問題において,事象間の一対多関係を推定する問題を取り上げた.コーパスから事象間の関係を推定する場合,それらの事象は共起出現することに基づく推定を行うことが多い.しかし,そこで用いられている手法は暗黙のうちに,推定する関係が一対一関係であると想定しているものがほとんどである.しかし抽出すべき事象間の関係は一対一関係であるとは限らず,あらかじめ関係が一対多関係であることがわかっている場合もある.このような場合,これまでの一対一関係を前提とした手法が有効であるかどうかは明らかではない.一方,データベースにおいて連想規則を抽出する問題において,その規則が表す事象間の関係が一対多関係であることを考慮した手法が用いられている\cite{Agrawal96}.しかし,この手法がコーパスから事象間の関係を推定する問題に効果的であるかどうかは明らかではない.ここで,事象間の関係が一対多関係である場合,それらの事象が持つ出現パターン間の関係は一致ではなく,包含関係であることが観測される.そこで,本論文では,出現パターンの包含関係に強いとされる類似尺度を探し,この条件にあてはまる類似尺度として,文字認識の分野で提案されている補完類似度\cite{Hagita95}に着目した.そして,この類似尺度をコーパスから事象間の一対多関係を抽出する問題に適用し,その有効性を評価する.さらに,評価実験を通して,これまでにコーパスから事象間の関係を推定することに用いられている類似度やデータベースにおいて連想規則を発見することに用いられる尺度と,補完類似度との間で性能の比較を行う.これまでに用いられている類似尺度として,平均相互情報量,自己相互情報量,$\phi$相関係数,コサイン関数,ダイス相関係数を選んだ.これらは関係の抽出に用いられる代表的な類似尺度である.また,一対多関係を推定する問題において,非対称性を持つ尺度と対称性を持つ尺度との性能差を測るために,平均相互情報量を改良し,非対称性を持たせた非対称平均相互情報量を定義し,比較対象とする尺度に加えた.実験対象となる事象としては地名(都道府県市郡名)を選んだ.地名は実世界において一対多関係を持つ事象である.実験は,人工的に生成したデータ集合と実データに対して行った.人工的に生成したデータ集合は実在する地名の一対多関係から擬似的に関係を取り出し,それをデータとして生成したデータ集合である.このデータ集合において,現存する一対多関係を再現する能力を測定した.実データを用いた実験では,実際の新聞記事における地名の出現パターンから現存する一対多関係を推定する能力を測定した.これらの実験の結果において,補完類似度はこれまでのコーパスからの関係抽出に用いられてきた類似尺度よりも優れ,連想規則の抽出に用いられる類似尺度よりもよい特性を示した.この論文は以下のような構成になっている.まず2節に,一対多関係を推定する問題を定義するために必要な要素を定義する.次に3節では,評価対象とする類似尺度の概要と,補完類似度,これと比較対象となる尺度,平均相互情報量,自己相互情報量,非対称平均相互情報量,$\phi$相関係数,コサイン関数,ダイス相関係数,信頼度を示す.4節では,実験の概要と,モデルに従って生成された人工的なデータにおける実験,実データを用いた実験を示す.5節で考察し,6節で関連研究を示す.最後に7節でまとめる.
V17N02-02	\label{sec:first}情報抽出や機械翻訳などのNLPの応用処理への需要が高まる中で，その技術を実現するための中核的な要素技術となる照応・共参照と述語項構造の解析に関して多くの研究者が解析技術を向上させてきた．それらの技術の多くは各情報が付与されたコーパス（以後，タグ付与コーパス）を訓練用データとして教師あり手法を用いるやり方が一般的であり，解析の対象となるコーパス作成の方法論についても議論がなされてきた\cite{Hirschman:97,Kingsbury:02,Doddington:04}．照応・共参照解析については，主に英語を対象にいくつかのタグ付与のスキーマが提案されており，実際にそのスキーマに従ったコーパスが作成されている\cite{Hirschman:97,Kawahara:02,Hasida:05,Poesio:04,Doddington:04}．例えば，MessageUnderstandingConference(MUC)のCoreference(CO)タスク\cite{Hirschman:97}や，その後継にあたるAutomaticContentExtraction(ACE)programのEntityDetectionandTracking(EDT)タスクでは，数年に渡って主に英語を対象に詳細な仕様が設計されてきた．また，述語項構造解析に関しては，CoNLLのsharedtask\footnote{http://www.lsi.upc.edu/\~{}srlconll/}で評価データとして利用されているPropBank~\cite{Palmer:05}を対象に仕様が模索されてきた．日本語を対象に述語項構造と照応・共参照の研究をするにあたり，分析，学習，評価のための大規模なタグ付きコーパスが必要となるが，現状で利用可能なGlobalDocumentAnnotation(GDA)~\cite{Hasida:05}タグ付与コーパス（以後，GDAコーパス）や京都テキストコーパス第4.0版（以後，京都コーパス4.0）は，述語項構造や共参照の解析のための十分な規模の評価データとはいえない．日本語を対象に述語項構造を照応・共参照の研究を進めるためには，英語の場合と同様にタグ付きコーパスを構築する必要があるが，日本語では述語の格要素が省略される\textbf{ゼロ照応}の現象が頻出するため，後述するように述語項構造の記述の中で照応現象も同時に扱う必要がある．そのため，英語では独立に扱われている述語項構造と（ゼロ）照応の関係の両方のタグ付与の仕様を把握し，2つの関係横断的にどのようにタグ付与の仕様を設計するかについて考える．タグ付与の仕様は最初から完成したものを目指すのではなく，作業仕様を経験的に定め，人手によるタグ付与の作業を行い，作業結果を検討することで洗練していくことを想定している．本論文ではこれまでに行った仕様に関する比較検討の内容と現在採用している我々の作業仕様について説明する．この際，MUCやACEの英語を対象に設計されたタグ付与の仕様に加え，日本語を対象に作成された既存の共参照・述語項構造のタグ付きコーパスであるGlobalDocumentAnnotation(GDA)~\cite{Hasida:05}タグ付与コーパス（以後，GDAコーパス）や京都テキストコーパス第4.0版（以後，京都コーパス4.0）\footnote{http://www-lab25.kuee.kyoto-u.ac.jp/nl-resource/corpus.html}との比較も行う．本論文ではまず\sec{second}で照応と共参照の関係について確認し，\sec{third}では述語項構造と照応・共参照のタグ付与に関する先行研究を紹介する．次に，\sec{fourth}で先行研究を踏まえた上の我々のタグ付与の基準を示し，その基準に従った作業結果についても報告する．さらに，\sec{fifth}で今回作業を行った際に問題となった点について説明し，\sec{fifth}でその改善案とその案にしたがって作業をやり直した結果について報告し，最後に\sec{seventh}でまとめる．また，今回の作業の結果作成された述語項構造と照応・共参照タグ付与コーパスをNAISTテキストコーパスとして公開している．詳細は{http://cl.naist.jp/nldata/corpus/}を参照されたい．
V30N01-02	\label{sec:intro}\textbf{UniversalDependencies(UD)}\cite{nivre-etal-2016-universal}は，言語横断的に品詞・形態論情報・依存構造をアノテーションする枠組およびコーパスである．UDプロジェクトの研究目標として，多言語の統語解析器開発，言語横断的な言語処理技術の開発，さらには類型論的な言語分析\cite{de_marneffe_universal_2021}などがあげられている．UDでは，データ構造やアノテーション作業を単純化するため，またくだけた文や特殊な構造に対して頑健な表現を実現するために，句構造(phrasestructure)ではなく，\figref{fig:jp_ud1}のような語の間の依存関係と依存関係ラベルで表現する依存構造を採用している．UDのガイドラインを基に，現代語のみならず，古語・消滅危機言語・クレオール・手話などを含めた100言語以上の依存構造アノテーションデータが構築され，公開されている\footnote{\url{https://universaldependencies.org/}}．2022年8月現在でも，言語横断性を高めるためにUDの基準について活発にGitHub\footnote{\url{https://github.com/UniversalDependencies/docs/issues}}上やワークショップで議論され，ラベルの統廃合が行われながらもアノテーションやガイドラインが更新し続けられている．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%fig.1\begin{figure}[b]\begin{center}\includegraphics{30-1ia1f1.pdf}\end{center}\hangcaption{日本語UDの例．「文節係り受け構造」で採用されている単位「文節」（枠で囲んである単位）とは異なり「自立語（内容語）」と「付属語（機能語）」を分解した単語単位をUDでは想定する．UPOSがUDの定義する品詞,XPOSは言語依存の品詞（日本語UDではUnidic品詞.図の例では品詞の詳細を略するときがある.）}\label{fig:jp_ud1}\end{figure}%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%このUDの枠組では，依存構造関係を付与する基本単位として，音韻的な単位や文字・形態素ではない\textbf{構文的な語(syntacticword)}を語として用いることを規定している．英語やフランス語といった空白を用いて分かち書きをする言語においては（縮約形態などを除いて）空白を語の単位認定として用いることが多い．一方，語の境界を空白などで明示しない東アジアの言語においては，どのような単位を構文的な語に規定すべきかという問題があり，これらの言語では，一度語の基本単位を定義してから，UDを構築している．現代中国語\cite{xia2000-chinese-pen-tree,leung-etal-2016-developing}や韓国語のUD\cite{chun-etal-2018-building}，トルコ語・古チュルク語\cite{kayadelen-etal-2020-gold,derin-harada-2021-universal}などでも，言語ごとにコーパスや形態素解析などによって語の単位認定を行い，UDの言語資源が構築されている．UDJapanese（日本語UD）Version2.6以降では，その基本単位として\textbf{国語研短単位}（ShortUnitWord,SUW:以下\textbf{短単位}）を採用している\cite{_universal_asahara_2019}．短単位は『現代日本語書き言葉均衡コーパス』(BCCWJ)\cite{maekawa2014balanced}・『日本語日常会話コーパス』(CEJC)\cite{koiso-EtAl:2022:LREC}をはじめとした形態論情報つきコーパスでも単位として採用されている．短単位に基づく形態素解析用辞書として，約97万語からなるUniDic\cite{den2007unidic}も公開されている．また，170万語規模の単語埋め込みNWJC2vec\cite{Asahara2018NWJC2VecWE}でも短単位が使われており，短単位を基準として言語処理に必要な基本的な言語資源が多く整備されている．この短単位に基づく言語資源の豊富さから，実用上は短単位に基づく処理が好まれる傾向にあった．しかし，グレゴリー・プリングルによるブログ記事\footnote{\url{http://www.cjvlang.com/Spicks/udjapanese.html}}や\citeA{murawaki2019definition}では，単位として短単位を採用している既存のUDJapaneseコーパスは「形態素」単位であり，UDの原則にあげられる「基本単位を構文的な語とする」という点において不適切であることを指摘している．国語研においては，形態論情報に基づいて単位認定し，「可能性に基づく品詞体系」が付与されている短単位とは別に，文節に基づいて単位認定し，「用法に基づく品詞体系」が付与されている\textbf{国語研長単位}（LongUnitWord,LUW:以下\textbf{長単位}）を規定している．しかし，長単位に基づくコーパスの構築は，短単位に基づくコーパスの構築より長時間の作業を要する\footnote{これは,短単位と比較すると,自動解析の精度が担保されておらず,長単位のアノテーション修正の作業ができる人材も少ないなどといった理由が挙げられる.}という問題がある．言語資源としては，BCCWJやCEJCには長単位に基づいた形態論情報が付与されているとはいえ，短単位と比べると利用可能な言語資源やツールが少ないため，長単位に基づく依存構造が解析器によって生成できるのかという問題もある．日本語における語の単位認定の検証のためには，実際に短単位のみではなく，長単位に基づく日本語UD言語資源を整備することが必要である．本研究では，長単位に基づく日本語UDの言語資源を整備したので報告する．UD全体と日本語における単位認定について説明しながら，既存の言語資源・解析器によって長単位に基づく日本語UDの構造が生成しやすいかを短単位UDと比較して検討する．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
V09N01-02	label{No1}近年，聴覚障害者の重要なコミュニケーション手段の1つである手話と，健聴者のコミュニケーション手段である日本語とのコミュニケーション・ギャップの解消を目的とする手話通訳システムや手話の学習支援システムなどの研究が各所で盛んに行われている\cite{Adachi1992a}．これら手話を対象とした自然言語処理システムを実現するための重要な要素技術の1つである手話の認識や生成処理技術は，動画像処理の研究分野であるが，対象が限定されているため，動画像構成の単位を明確に規定できる可能性があり，手話の知的画像通信や手話画像辞書への特徴素の記述法が提案されている\cite[など]{Kurokawa1988,Kawai1990,Sagawa1992,Terauchi1992,Nagashima1993,JunXU1993}．また，日本語文の手話単語列文への言語変換処理に関する基礎検討としては，\cite[など]{Kamata1992,Adachi1992b,Adachi1992c,Kamata1994,Terauchi1996}が報告されている．さらに，手話表現の認識結果を基に日本語文を生成する研究としては，\cite[など]{Sagawa1992,Abe1993}がある．なお，これらの処理精度に影響を与える電子化辞書の構成方法に関しては，\cite[など]{Adachi1993,Nagashima1993,Tokuda1998}が提案されている．さて，2言語間の対訳電子化辞書システムを構築する場合の重要な要素技術の1つとして，原言語側と目標言語側との双方向から単語を検索できる機能の実現が挙げられる．ここで，手話単語を対象とした場合の課題の1つは，視覚言語としての特徴から，手指動作表現を検索キーとし，対応する日本語の単語見出し（以後，本論文では，日本語ラベルと略記する．）を調べる手段をどのように実現するかという点である．すなわち，視覚情報としての手指動作特徴をどのように記号化して，検索要求に反映させ，検索辞書をどのように構成するかという問題といえる．この問題に対する従来のアプローチは，手の形，動き，位置などの手指動作特徴の属性を詳細な検索項目として用意し，これらの項目間の組合せとして検索条件を設定し，同様に，これらの検索項目を基に手話単語を分類したデータベースを検索辞書としていた\cite[など]{KatoYuji1993,Naitou1994}．この検索アプローチは，手話言語学における手話単語の表記法（単語の構造記述におけるコード法）に基づいている\cite{Kanda1984,Kanda1985}．しかし，これらの表記法と分類観点は，本来，個々の手話単語の表現を厳密に再現（記述）することを目的としているため\cite{Stokoe1976}，項目数が多く，また，項目間の類似性もあり，初心者には難解なコード体系といえる．そのため，このアプローチによる検索システムの問題点が，\cite{Naitou1996}により指摘されている．それによると，手の形，動き，位置などの検索条件を指定する場合，\begin{enumerate}\item検索項目間に類似性が高いものがあり，利用者が区別しにくく，\item検索条件や検索項目が多くなると，利用者は選択操作が煩わしくなり，\end{enumerate}\noindent結果として選択ミスを生じ，満足のゆく結果が得られないとされる．これは，利用者が認知した手話表現の手指動作特徴を再生し，検索条件に設定する場合に，不必要な検索条件までも指定してしまう点に原因があるといえる．一方，認知された外界の情報を，ある表現形式（表象）から別の表現形式に変換することを，一般に，コーディング（符号化）と呼ぶ．また，視覚的な特性を持つ「視覚的コード」と言語的な特性を持つ「言語的コード」を重要視する「二重コード説」によると，写真などの視覚情報を記憶する場合に，視覚的コーディングに加え，「赤い色をした車」のように言語的コーディングも同時に行われているとされる\cite{Ohsima1986}．さらに，単語は文字（あるいは音素）の組み合わせで構成されるが，例えば，(1)「キ」を提示した後で，それは「キ」あるいは「シ」だったのかを質問した場合と，(2)「テンキ」を提示した後で，それは「テンキ（天気）」あるいは「テンシ（天使）」だったのかを質問した場合とでは，(2)の方が成績が良いとされ，文字の弁別が単語という文脈内で規定された方がより正確に記憶するとされる「単語（文脈）優位性効果\cite{Reicher1969}」が知られている．これら認知科学の成果を手話単語の検索問題に当てはめて考えてみると，人間が手指動作表現を認知する場合，「両手を左右に動かす」というように，言語文として言語的コーディングを行い記憶しているとすれば，記憶された言語的コード，すなわち，手指動作特徴を記憶した際の文脈環境を保持する言語文そのものを検索キーとするアプローチが考えられる．本論文では，検索条件を細かく指定する従来の方法とは異なり，手話単語の手指動作特徴を日本語文で記述した手指動作記述文を検索条件とみなし，辞書にある類似の手指動作記述文を類似検索し，検索結果に対応付けられている日本語ラベルを提示する方法を提案する．本手法の特徴は，手話単語の手指動作特徴間の類似性を手指動作記述文間の類似性と捉え，入力された手指動作記述文と辞書に格納された手指動作記述文との類似度を計算する点にある．すなわち，「{\bf手話単語の検索問題を文献検索問題と捉えたアプローチ}」といえる．また，この手指動作記述文は，一般に，市販の手話辞典に記載されており，手話の学習者の多くが，慣れ親しんでいる文形式と捉えることができる．なお，本提案手法に関連する研究として，翻訳支援を目的とした対訳用例の類似検索に関する研究が幾つか報告されている\cite[など]{NakamuraNaoto1989,SumitaEiichiro1991,SatoSatoshi1993,TanakaHideki1999}．これらにおいては，文間の類似度の計算に用いる照合要素として，文字を対象とする方式と単語を対象とする方式に大別することができる．また，これらの要素間の照合戦略としては，出現順序を考慮しながら共有要素を計算する方式（以後，順序保存と略記する．）と，出現順序を考慮しない計算方式（以後，順序無視と略記する．）に大別することができる．ここでは，照合要素が文字列と単語列という違いはあるが，順序無視と順序保存の照合戦略を用いた代表的な2つの手法について概説する．\cite{SatoSatoshi1993}は文字の連続性に着目した文間の類似性を基準に，「最適照合検索」として，順序保存を採用した検索システム（CTM1）\cite{SatoSatoshi1992}と順序無視を採用した（CTM2）の検索効率を比較し，ほぼ同等であるが順序無視の方が若干優位としている．一方，\cite{TanakaHideki1999}は，放送ニュース文の単語列を対象に，AND検索に順序保存の制約条件を加え，長文に対する効果的な用例検索法を提案し，順序保存の方が優位としている．なお，両者とも類似性を計る指標として，語順（あるいは文字の出現順序）を考慮するアプローチの重要性を指摘している．このことは，文構造の類似性を表層情報として得られる文形式（単語の配列順序）の類似性を文間の類似度に加味することの意義を示唆している．以下，2章で，手指動作記述文の特徴について述べ，3章では，手指動作記述文間の類似度と手話単語の検索方法について述べ，4章で，提案手法の妥当性を検証するために行った実験結果を示す．5章では，実験により明らかとなった問題点について議論し，今後の課題について述べる．最後に，6章で，まとめを行う．
V06N02-01	音声認識技術はその発達にともなって，その適用分野を広げ，日本語においても新聞など一般の文章を認識対象とした研究が行なわれるようになった\cite{MATSUOKA,NISIMURA4}．この要因として，音素環境依存型HMMによる音響モデルの高精度化に加え，多量の言語コーパスが入手可能になった結果，文の出現確率を単語{\itN}個組の生起確率から推定する{\itN}-gramモデルが実現できるようになったことが挙げられる．日本語をはじ\breakめとして単語の概念が明確ではない言語における音声認識を実現する場合，どのような単位を認識単位として採用するかが大きな問題の1つとなる．この問題はユーザーの発声単位に制約を課す離散発声の認識システムの場合に限らない．連続音声の認識においても，ユーザーが適\break時ポーズを置くことを許容しなければならないため，やはり発声単位を考慮して認識単位を決\breakめる必要がある．従来日本語を対象とした自然言語処理では形態素単位に分割することが一般\break的であり，またその解析ツールが比較的\mbox{よく整備されていたことから{\itN}-gramモデル作成におい}ても「形態素」を単位として採用したものがほとんどである\cite{MATSUOKA,ITOHK}．しかしながら，音声認識という立場からあらためてその処理単位に要請される条件を考えなおしてみると，以下のことが考えられる．\begin{itemize}\item認識単位は発声単位と同じか，より細かい単位でなければならない．形態素はその本来の定義から言えば必ずこの条件を満たしているが，実際の形態素解析システムにおいては，複合名詞も１つの単位として登録することが普通であるし，解析上の都合から連続した付属語列のような長い単位も採用している場合があるためこの要請が満たされているとは限らない．\item長い認識単位を採用する方が，音響上の識別能力という観点からは望ましい．つまり連続して発声される可能性が高い部分については，それ自身を認識単位としてもっておく方がよい．\item言語モデルを構築するためには，多量のテキストを認識単位に分割する必要があり，処理の多くが自動化できなければ実用的ではない．\end{itemize}これらは，言い換えれば人間が発声のさいに分割する(可能性がある)単位のMinimumCoverSetを求めることに帰着する．人が感覚的にある単位だと判断する\mbox{日本語トークンについて考}察した研究は過去にも存在する．原田\cite{HARADA}は人が文節という単位について一貫した概念を持っているかについて調査し，区切られた箇所の平均一致率が76\%であり付属語については多くの揺れがあったと報告している．また横田，藤崎\cite{YOKOTA}は人が短時間に認識できる文字数とその時間との関係から人の認知単位を求め，その単位を解析にも用いることを提案している．しかしながら，これらの研究はいずれも目的が異なり，音声認識を考慮したものではない．そこで，われわれは，人が潜在意識としてもつ単語単位を形態素レベルのパラメータでモデル化するとともに，そのモデルに基づいて文を分割，{\itN}-gramモデルを作成する手法を提案し，認識率の観点からみて有効であることを示した\cite{NISIMURA3}．本論文では主として言語処理上の観点からこの単語単位{\itN}-gramモデルを考察し，必要な語彙数，コーパスの量とパープレキシティの関係を明らかにする．とくに新聞よりも「話し言葉」に近いと考えられるパソコン通信の電子会議室から収集した文章を対象に加え，新聞との違いについて実験結果を述べる．
V05N04-05	WWWの普及とともに多言語情報検索,とりわけ,クロス言語検索(crosslanguageinformationretrieval,CLIR)に対するニーズが高まっている.CLIRによって,例えば,日本語の検索要求(キュエリ)によって英語ドキュメントの検索が可能となる.CLIRは,キュエリもしくは検索対象となるドキュメントの翻訳が必要となるので,IRよりも複雑な処理が必要となる\cite{hull97}.CLIRの多くは,キュエリを翻訳した後,情報検索を行なう.キュエリの各タームには,訳語としての曖昧性が存在するため,CLIRの精度は単言語でのIRよりも低い.特に日英間では,機械翻訳の訳語選択と同様に,対訳の訳語候補が多いので困難である\cite{yamabana96}.機械翻訳の訳語選択手法として,コンパラブルコーパスでの単語の文内共起頻度に基づいたDoubleMAXimize(DMAX)法が提案されている\cite{yamabana96,doi92,doi93,muraki94}.DMAX法は,ソース言語コーパスにおいて最大の共起頻度を持つ2つの単語に着目し,その2つの単語の訳語候補が複数ある場合,正しい訳語は,コンパラブルなコーパスにおいても最大の共起頻度を有するという事実に基づいた訳語選択手法である.機械翻訳においては,一つの単語は一意に訳されるべきであるが,CLIRにおいては,キュエリのタームは適切な複数のタームに訳される方が精度良く検索できることもある.シソーラスや他のデータベースによって適切に展開されたキュエリのタームは良い検索結果を導くことが報告されている\cite{trec,trec4}.CLIRにおけるキュエリタームの訳語選択の問題を解決するために,DMAX法を一般化したGDMAX法を提案する.GDMAX法では,コンパラブルコーパスを用いてキュエリタームの共起頻度を成分とする共起頻度ベクトルを生成し,入力キュエリと翻訳キュエリの類似度をベクトルとして計算して類似性の高い翻訳キュエリを選択する.本報告では,まず,CLIRにおけるキュエリの翻訳の課題について説明し,次に,GDMAX法によるキュエリタームの翻訳・生成ついて説明する.GDMAX法に関して,TREC6(TextRetrievalConference)の50万件のドキュメントと15の日本語キュエリを用いて実験したので報告する\cite{trec}.
V25N04-05	\label{sec:intro}並列構造は等位接続詞などの句を連接させる働きのある語にともなって，句や文が並列して出現する構造である．並列構造は自然言語において高い頻度で現れるが，並列構造が包含する句の範囲には曖昧性があり，また並列構造によって1文が長くなるため，自然言語解析を困難にしている主な要因となっている．近年，句構造や依存構造などの構文解析の手法は顕著に発展してきているが，並列構造を高い精度で解析する決定的な手法は確立されていない．並列構造の曖昧性が解消されることで構文解析の誤りを減らすだけではなく，科学技術論文の解析や文の要約，翻訳など広い範囲のアプリケーションでの利用が期待される．並列構造の構成要素である個々の並列句には二つの特徴がある．一つは並列構造内の個々の並列句はそれぞれ類似した意味・構造となる特徴であり，もう一つはそれぞれの並列句の入れ替え・省略を行っても文法上の誤りが生じることや元の文意を損なうことがなく，文として成立するという特徴である．並列句の範囲を同定するタスクにおいて，従来の研究では並列構造を同定するための重要な手がかりのうち，並列句の候補となる句のペアの類似度に基づくモデルが提案されてきた\cite{kurohashi-nagao:1994:CL,shimbo-hara:2007:EMNLP-CoNLL,hara-EtAl:2009:ACL-IJCNLP,hanamoto-EtAl:2012:EACL}．しかしながら，並列句は必ずしも類似するとは限らず，異なる種類の句が並列した場合や動詞句や文の並列では並列句はしばしば非類似となり，類似性のみを利用した手法では非類似の並列句をとらえることができなかった．また従来手法では類似度の計算に構文情報やシソーラスを用いて人手で設計された素性を利用しており，素性設計のコストや外部リソースの調達コストの点で問題がある．これらの問題を克服するために，Ficlerら\cite{ficler-goldberg:2016:EMNLP}は，並列句の類似性のみならず可換性に着目し，ニューラルネットワークによって類似性・可換性の特徴ベクトルを計算し，並列句範囲の同定を行うモデルを提案した．Ficlerらの手法では外部の構文解析器を用いて並列句範囲の候補を抽出したのち，候補に対してスコア付けをして範囲を同定するというパイプライン処理を行っている．Ficlerらの手法はPennTreebankでの並列句範囲の同定のタスクにおいて，既存の句構造の構文解析器を上回る精度を達成し，GENIAコーパスにおいても新保ら\cite{shimbo-hara:2007:EMNLP-CoNLL}，原ら\cite{hara-EtAl:2009:ACL-IJCNLP}の並列句の類似性に基づく手法より高い性能を発揮した．Ficlerらの手法は従来の手法の欠点であった非類似となる並列句の範囲をとらえられない点や人手による素性設計のコストの点をいくらか解決しているものの，外部の構文解析器の出力に強く依存しており，解析器の誤りに起因する誤り伝搬やパイプライン処理による解析速度の低下の点で課題が残っている．本研究では，単語の表層形と品詞情報のみから並列句の類似性・可換性の特徴を抽出し，並列構造の範囲を同定する手法を提案する．また句を結びつける働きを持つかどうかが曖昧である語に対して，連接する並列句が存在しない場合の取り扱いや，並列句が存在しない場合を検出する方法についても示す．提案手法では，近年自然言語の解析で広く用いられている双方向型リカレントニューラルネットワークを使用して候補となる並列句の文脈情報を考慮した類似性・可換性の特徴ベクトルを計算する．実験の結果，PennTreebankにおける並列句の範囲同定のタスクにおいて，構文情報を用いない提案手法が構文情報を利用した既存手法と同等以上のF値を得た．さらにGENIAコーパスにおいては，類似となる傾向の高い名詞句の並列，非類似となる傾向の高い文の並列の両方について，提案手法が既存手法を上回る再現率を達成したことを示す．提案手法の貢献は，Ficlerらの手法のような構文解析の結果に依存したパイプライン処理やニューラルネットワークのアーキテクチャを使用することなく，原らの手法で課題となっていた非類似となる並列句の範囲同定の再現率を向上させ，全体として既存手法と同等以上の解析精度を達成したことである．
V31N02-07	近年，ニューラル機械翻訳(NeuralMachineTranslation:NMT)は発展・普及し，利用者の層が幅広くなっている．従来の一般的なNMTは，利用者や状況に依らない機械翻訳の実現を想定していたが，近年では，出力される目的言語文の表現を制御するための研究が盛んになっている\cite{sennrich-etal-2016-controlling,Kuczmarski-James-2018-Gender,schioppa-etal-2021-controlling}．そのひとつに，ユーザの読解レベルにあわせた翻訳を行うため，原言語文と共に目的とする難易度を入力として受け付け，指定された難易度の目的言語文を生成する難易度制御機械翻訳がある．初期の難易度制御機械翻訳\cite{marchisio-etal-2019-controlling}では，難易度は2段階であったが，近年では，より柔軟に出力文の難易度を制御するため，3段階以上の難易度（例えば，小学生，高校生，一般，専門家向けなど）を制御可能な多段階難易度制御機械翻訳(Multi-LevelComplexity-ControllableMachineTranslation:MCMT)\cite{agrawal-carpuat-2019-controlling}の研究が行われている．しかし，先行研究では英語とスペイン語間のMCMTしか取り組まれていない．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%fig.1\begin{figure}[b]\begin{center}\includegraphics{31-2ia6f1.pdf}\end{center}\caption{日英MCMTの概要図}\label{img:example-MCMT}\end{figure}%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%そこで本研究では，日本語（日）から英語（英）への日英MCMTの構築を目指す．図\ref{img:example-MCMT}に日英MCMTの概要図を示す．従来のMCMTの研究\cite{agrawal-carpuat-2019-controlling}は英語とスペイン語（西）の言語対を対象にしているため，日英MCMT用の評価データセットが存在しない．また，従来研究では，多段階の難易度で記述された英語とスペイン語のニュース記事が記事単位で対応づいているコーパス（具体的にはNewselaコーパス\footnote{\url{https://newsela.com/data/}}）から評価データセットを自動構築している．しかし，日英の言語対ではそのようなコーパスが存在しない．そこで本研究では，多段階の難易度で記述されている同一内容の英語文集合をNewselaコーパスから抽出し，人手の翻訳によって日本語文を付与することで日英MCMT用の評価データセットを構築する．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%table1\begin{table}[b]\input{06table01.tex}%\caption{提案手法で用いる訓練データの例}\label{tab:example-train-data}\end{table}%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%また，本研究では日英MCMTの性能を向上させるため，MCMTのための学習方法として，異なる難易度の複数参照文を用いる学習手法を提案する．従来の学習\cite{agrawal-carpuat-2019-controlling}では，原言語文と難易度付き目的言語文の文対を単位として学習を行う．しかし，MCMTの学習では，一つの原言語文に対し，難易度の異なる複数の参照文が対応した訓練データを使用でき，学習対象の参照文と内容が同じで難易度が異なる参照文を学習時の手がかりにすることができる．例えば，MCMTの訓練データとして表\ref{tab:example-train-data}のようなデータを利用できるが，表\ref{tab:example-train-data}の訓練データは従来手法では3つの訓練データ（日本語文‐難易度12の英語文，日本語文‐難易度7の英語文，日本語文-難易度4の英語文）に展開される．そして，それぞれ独立した訓練データとして学習が行われるため，例えば，難易度12の英語文への翻訳を学習する際，難易度4や難易度7の英語文と対比させた学習を行うことはできない．そのため，難易度12の英語文への翻訳を学習する時に，難易度4や難易度7の英語文は出力として適切ではないということや，難易度4の英語文は難易度7の英語文よりも目的の難易度から離れるためより不適切であるということが利用できない．そこで本研究では，同一の原言語文と難易度の異なる複数の参照文からなる組を単位としてMCMTモデルを学習する手法を提案する．提案手法では，学習対象の参照文と共に異なる難易度の参照文も使い，学習対象以外の難易度の参照文に対する損失が学習対象の難易度の参照文に対する損失よりも小さくなることに対して，難易度が離れるほど大きなペナルティを与える損失に基づきMCMTモデルを学習する．これにより，例えば，難易度12の英語文への翻訳を学習する際，出力を難易度12の英語文に最も近づけ，かつ，難易度4の英語文より難易度7の英語文に近づけるように学習を行う．提案手法の有効性を本研究で構築した評価データセットを用いた日英MCMTの実験で検証した．その結果，提案損失を利用することで，BLEUが従来手法より0.93ポイント改善することを確認した．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
V27N04-03	\label{sec:intro}議論は人間にとって主要な言語活動のひとつである．議論の参加者は，前提・根拠に基づきながら，筋道を立てて自身の意見を伝える．例えば，国の方針を決定したり，親を説得したり，価格を交渉したり，問題解決や合意形成において議論は欠かせないものである．近年，自然言語処理の分野では，特に作文や意見文といった独話的な論述文を対象とし，議論の解析を行う議論マイニング(ArgumentMining)が進展を遂げてきた\cite{cabrio2018five,Lawrence2019tutorial}．議論マイニングにおける知見やシステムは，人々の意見の集約\cite{stab-etal-2018-cross,reimers-etal-2019-classification}や，議論の質の自動評価・フィードバック\cite{Stab2016a,Wachsmuth2017b,reisert2019}などへ応用が期待されている．議論マイニングにおける中心的なゴールとして，論述文における談話構造の解析（以降，{\bf論述構造解析}）が挙げられる．本研究では，論述構造解析のためのベンチマークデータセット\cite{Peldszus2016,stab2017}上で，高性能な論述構造解析モデルの開発を行う．論述構造解析モデルは，与えられた論述文について，談話単位間の論述関係とその種類（\textsc{Support}や\textsc{Attack}），談話単位の機能（\textsc{Premise}や\textsc{Claim}，\textsc{MajorClaim}）などの構造を予測する．図~\ref{fig:intro}に論述文とその論述構造の例を示す．この例では，{\itInaddition,Ibelievethatcityprovidesmoreworkopportunitiesthanthecountryside.}という主張（談話単位1）について，主張を支持する言及（談話単位2）や，主張と対立する意見（談話単位3）などが述べられている．論述構造はグラフで表現され\cite{Peldszus2015,stab2017}，グラフの頂点は談話単位を，グラフの辺は談話単位間の論述関係を表す．%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%fig.1\begin{figure}[t]\begin{center}\includegraphics{27-4ia2f1.eps}\end{center}\hangcaption{論述文とその構造の例．グラフ中の各頂点は談話単位に，各辺は論述関係に対応する．談話単位の下に記しているラベルは談話単位の種類を，辺の上に記しているラベルは論述関係の種類を示す．また，談話単位中の下線付き部分は接続表現に，それ以外の部分は命題に対応する．}\label{fig:intro}\end{figure}%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%談話単位のように一単語以上からなる意味的関連のあるまとまりを{\bfスパン}と呼ぶ．論述構造解析は論述文中の談話単位スパンの役割を解析するタスクであるため，スパンに対する特徴ベクトル（スパン分散表現）をどのように計算するかはモデル設計において重要な点である．論述構造解析における既存研究\cite{Potash2016}では，ニューラルネットワークベースのスパン分散表現を用いることで，高い解析性能が実現されてきた．同様に，統語解析や意味解析などの自然言語処理における他タスクにおいても，ニューラルネットワークベースのスパン分散表現は注目を集めており，より効果的なスパン分散表現抽出方法について知見が得られてきた\cite{wang:16,stern:17,P18-2058,D18-1191}．これらの知見と論述文特有の言語的性質を踏まえ，本研究では論述構造解析において効果的なスパン分散表現抽出方法の提案を行う．談話単位の機能や役割は文脈に大きく依存するため，各談話単位のスパン分散表現に論述の文脈情報をうまく取り入れることが解析精度向上の鍵である\cite{Nguyen2016,Lawrence2019tutorial}．論述構造を予測する上で，重要となる文脈情報は大きく二つあると考える．一つは，ある談話単位の周辺にどのような論述関係が存在するかという高次の情報であり，文章中の接続表現の配置からある程度推測することができる．例えば，``ofcourse''$\xrightarrow{}$``but''といった接続表現の系列からは，一旦譲歩した上で反論し返すという\textsc{Attack}関係の連鎖など，典型的な部分構造が捉えられる（図~\ref{fig:intro}中，談話単位3と4）．もう一つは，談話単位間の語彙的な結束の強さや話題の変化である．近い話題について議論している談話単位同士は，論述関係を共有している可能性が高いと考える．例えば，図~\ref{fig:intro}中，談話単位1と2では``morework''$\xrightarrow{}$``morejobs''という非常に意味の近い内容語が含まれており，これらの談話単位間の関係は支持の関係で結ばれている．そこで本研究では，各談話単位を機能的な表現（接続表現）と内容（命題）に分解し（図~\ref{fig:intro}中，下線付き部分と下線なし部分)，談話単位，接続表現，命題という様々な観点における文脈情報を考慮しながら，談話単位のスパン分散表現を獲得する（\ref{sec:model}節)．接続表現の系列は論述のテーマ非依存な文章の型に関する手がかりであるのに対し，命題は論述のテーマに大きく依存した内容であるなど，両者が異なる性質を持つことも，接続表現と命題を区別して扱う動機の一つである．実験から，本研究で提案したスパン分散表現獲得方法を用いることで解析性能が向上することを示す．また，BERTなどの強力な言語モデルから得られる単語分散表現を用いた際にも，既存のスパン分散表現獲得方法をただ適用しただけでは十分な性能が得られないが，本研究で提案したスパン表現獲得法を用いることで，大幅な性能向上が得られることを示す．分析から，特に複雑な構造をもつ論述文において，スパン表現の工夫による性能向上が得られることが分かった．本研究の貢献は以下の通りである．\begin{itemize}\setlength{\parskip}{0cm}\setlength{\itemsep}{0cm}\item論述構造解析において，言語処理における他タスクで有効とされていたスパン分散表現と，本タスクのために拡張したスパン分散表現の有効性を調査した．\item実験結果から，既存のスパン分散表現，およびスパン分散表現の拡張が本タスクにおいて有効であることを示し，複数のベンチマークデータで最高性能を達成した．\item分析から，複雑な論述構造（深いグラフ）を持つ文章において，特に我々のスパン分散表現の獲得方法が有効であることが分かった．\end{itemize}%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
V06N03-03	label{intro}テキストは単なる文の集まりではなく，テキスト中の各文は互いに何らかの意味的関係を持つ．特に意味的関係の強い文が集まって談話セグメントと呼ばれる単位を形成する．文が互いに意味的関係を持つように，これらの談話セグメント間にも意味的な関係が存在する．テキストの全体的な談話構造はこの談話セグメント間の関係によって形成される．そのため，テキストのセグメント境界を検出するテキストセグメンテーションの研究は，談話構造解析の第一ステップであると考えられる\cite{Grosz:86}．また，最近では，テキストセグメンテーションの研究は情報検索の分野においても応用されている．長いテキスト中には複数のサブトピックが存在しているため，テキスト全体を扱うよりも，テキストをセグメントに分けた方が検索対象として良いと考えられるためである\cite{Callan:94,Salton:93,Hearst:93}．セグメント境界の検出では，テキスト中の表層的な情報が利用されることが多い．表層的な情報は比較的容易に抽出可能であり，特別な領域知識を必要としないので一般的な利用が可能だからである．多様な表層的情報の中で，意味的に類似した単語間の表層的関係である語彙的結束性\cite{Halliday:76}が，これまで多くのテキストセグメンテーションの研究に使用されている\cite{Morris:91,Kozima:93,hearst:94b,okumura:94a,reynar:94}．OkumuraとHonda\cite{okumura:94a}は語彙的結束性の情報だけでは充分ではなく，他の表層的情報を取り入れることによって，テキストセグメンテーションの精度が向上することを報告している．本稿では，複数の表層的手がかりとして，接続詞，照応表現，省略，文のタイプ，語彙的結束性などを使用して日本語テキストのセグメント境界を検出する手法について述べる．セグメント境界の検出では，手がかりから得られるスコアを基に，各文間の境界へのなりやすさ(あるいはなり難さ)を表す文間のスコアを与えることが多い．この手がかりを複数設定し，組み合わせて使用する手法は数多く存在する\cite{McRoy:92}が，各手がかりの出現がセグメント境界の検出に影響する度合が異なるため，各手がかりのスコアをそのまま使用せず，各手がかりの重要度に応じた重みをかけ，重み付きスコアの総和を文間のスコアとする手法が比較的良く用いられる．重み付きスコアの総和を文間のスコアとして使用する手法においては，各手がかりに最適な重み付けを行うことが，検出精度向上にとって重要になる．複数の表層的手がかりを用いてセグメント境界の検出を行う過去の研究\cite{Kurohashi:94,Sumita:92,Cohen:87,Fukumoto1}では，各手がかりの重みは直観あるいは，人手による試行錯誤によって決定される傾向がある．しかし人手による重みの決定はコストが高く，決定された重みを使用することで，必ずしも最適あるいは最適に近い精度が得られるという保証がない．そのため人手による重み付けを避け，少なくとも最適に近い値を得るために，自動的に重みを決定する方が望ましいと考えられる．そこで本研究では，正しいセグメント境界位置の情報が付いた訓練テキストを用意し，統計的手法である重回帰分析を使用することで各表層的手がかりの重要度の重みを自動的に学習する．しかし，重みの自動学習手法では訓練データの数が少ない場合に学習精度が良くならないという問題がある\cite{Akiba:98}．また，訓練データに対してパラメータ(手がかり)の数が多い場合には，学習された値が過適合を起す傾向があるという問題が知られている．学習された重みが訓練データに対し過適合すると，訓練データ以外のテキストに適用した場合には良い精度が得られない．また，考えられる全ての表層的手がかりが，常にセグメンテーションにとって良い手がかりになるとは限らない．そこで，過適合の問題を解消するために，重みの学習と共に使用する手がかりの最適化も行う必要がある．有効な手がかりだけを選択することができれば，良い重みの学習ができ，セグメンテーションの精度が向上すると考えられる．本研究で重みの学習に使用する重回帰分析には，有効なパラメータを選択する手法が既にいくつか開発されている．そこで，本研究ではパラメータ選択手法の一つとして広く利用されているステップワイズ法を使用する．重回帰分析とパラメータ選択手法であるステップワイズ法を使用することにより，有効な手がかりのみを選択し，最適な重みを獲得できると考えられる．我々の主張を要約すると以下のようになる．\begin{itemize}\itemテキストセグメンテーションにおいて，複数の表層的手がかりの組み合わせは有効である．\item重回帰分析とステップワイズ法の使用によってテキストセグメンテーションにとって有効な手がかりの選択と重みの自動的な獲得が可能となる．\end{itemize}上記の主張の有効性を調べるため，いくつかの実験を行う．小規模な実験ではあるが，実験結果から我々のアプローチの有効性を示す．以下，2節では本研究でテキストセグメンテーションに使用する表層的手がかりについて説明する．3節では複数の手がかりの重みを自動的に決定する手法について述べる．4節では自動的に有効な手がかりを選択する手法について述べる．5節では，本研究のアプローチによる実験について記述する．
V04N01-01	テキストの解釈を一意に決定することは，依然として，自然言語処理において最も難しい課題である．テキストの対象分野を限定しない場合，解釈の受理/棄却の基準を記述した拘束的条件すなわち制約だけで解釈を一意に絞り込むことは容易ではない\cite{Tsujii86,Nagao92}．このため，解釈の良さの比較基準を記述した優先的条件すなわち選好によって，受理された解釈に優劣を付け，評価点が最も高い解釈から順に選び出そうとするアプローチが取られることが多く，実際，その有効性が報告されている\cite{Fass83,Schubert84,Petitpierre87,Hobbs90}．本稿では，日英機械翻訳システムにおいてテキストの最良解釈を定義するための制約と選好を備えたテキスト文法Text-WideGrammar(TWG)\cite{Jelinek93}について，照応関係に関する制約と選好に焦点をあてて説明し，さらに，TWGに基づいて意味解析と照応解析を効率良く行なう機構について述べる．テキスト解析に必要な知識の中でも，特に，照応関係に関する制約と選好は，最良解釈の選択に大きく影響を及ぼす．照応関係は，日英機械翻訳システムでは，日本語で明示することは希であるが，英語では明示しなければならない言語形式上の必須情報を得るための重要な手がかりとなる．例えば，ゼロ照応詞\footnote{ここでは，日本語で明示する必要はないが英語では明示する必要のある照応詞をゼロ照応詞と呼ぶ．}や名詞句の人称，性，数，意味素性，定/不定性の決定は，それらが関与する照応関係を明らかにし，人称，性，数，意味素性の情報を伝播することによって行なえる．このようなことから，照応関係に関する種々の制約や選好がこれまでに提案されている\cite{Yoshimoto86,Fujisawa93,Murata93,Nakaiwa93}．また，テキスト解析で用いる選好には，照応関係に関する選好の他に，構文構造や意味的親和性に関する選好などがあるが，各選好をどのように組み合わせるかが重要な課題となる．ある選好による最良解釈と他の選好による最良解釈が相容れるとは限らないからである．TWGは，形態素，構文構造，意味的親和性，照応関係に関する制約と選好によって，テキストの可能な解釈を定義し，それらに優劣を付ける．照応関係に関する選好による評価では，テキストを構成する構造体\footnote{構造体とは，テキストであるか，構造体の直接構成要素である\cite{Jelinek65}．}がより多く照応関係に関与する解釈を優先する(\ref{sec:twg:corref}節，\ref{sec:twg:eval}節)．ある構造体が他の構造体を指せるかどうかは，主に，陳述縮約に関する規範\cite{Jelinek65,Jelinek66}に基づいて決めることができる．陳述縮約に関する規範は，完全形(fullform)\footnote{書き手が記述しようとしている事柄についての知識を読み手が全く持っていないと書き手が判断したときに用いる構造体．}がゼロ形に縮約される過程を11段階に分類し，指す構造体の陳述縮約度と指される構造体の陳述縮約度の間で成り立つ制約を記述したものである．TWGでは，構文構造，意味的親和性，照応関係に関する選好による各評価点の重み付き総和が最も高い解釈をテキストの最良解釈とする(\ref{sec:twg:balance}節)．TWGで定義されている形態素に関する選好の精度は十分高く，この選好による最良解釈からテキストの最良解釈が生成される可能性が高い\footnote{2000文について，形態素に関する選好による最良解釈が人間による解釈と一致するかどうかを調べたところ，94.7\%において一致していた．}ので，この選好と他の選好との相互作用は考慮しない．選好によるテキスト解析手法でのもう一つの課題は，最良解釈を効率良く選び出せる処理機構を実現することである．テキストの可能な解釈の数は，テキストが長くなるにつれ，組み合せ的に増える．解釈数の組み合せ的な増大に対処するためには，解釈を個別に表現するのではなく，まとめて表現しなければならない．また，解釈をいったんすべて求めた後その中から最良解釈を選ぶのではなく，解析の途中過程で競合する解釈の評価点を比較しながら，最終的に最良解釈になりそうな候補だけを優先的に探索し，そうでない候補の探索はできるだけ行なわないようにしなければならない．本稿の処理機構は，テキストの構文構造のすべての曖昧さをまとめて表現した圧縮共有森(packedsharedforest)\cite{Tomita85}上で，遅延評価による意味解析と照応解析を行なう(\ref{sec:lazy}節)．圧縮共有森上で処理を行なうことによって，部分的解釈の再利用が可能となり重複処理を避けることができる．遅延評価によって，総合評価点が最も高い解釈を求めるために必要な処理だけの実行，それ以外の処理の保留が可能となり，不必要な処理を避けることができる．統合共有森はAND/ORグラフと等価とみなせるので，本稿では説明の便宜上，圧縮共有森をAND/ORグラフと呼ぶ．
V11N05-03	近年，機械翻訳に関する研究が進み，日本語や英語をはじめとし，韓国語，中国語，フランス語など，主要な言語に関してはある程度実用的なシステムが構築されつつある．その反面，そうした研究の進んでいない言語や，機械翻訳の対象となっていない言語が残されているのも事実である．こうした言語においては，言語現象を学習するためのモノリンガル・コーパスや，翻訳知識を得るためのバイリンガル・コーパスなどが充分に蓄積されておらず，また，翻訳の要である対訳辞書の整備も進んでいないことが多い．そうした，比較的マイナーな言語に関する機械翻訳として，日本語--ウイグル語機械翻訳システム\cite{ogawa}が研究されている．このシステムにおいては，その原型となった日本語形態素解析システム\cite{ogawa2}の日本語辞書が，語彙として約25万語，形態素として約35万語を収録しているのに対して，日本語--ウイグル語対訳辞書\cite{muhtar2003}は語彙数約2万語，形態素数約3.6万語\footnote{漢字表記の語彙に対しては，その読みが別の形態素として登録されるため，語彙数と形態素数に差が生じる．}と少ないため，翻訳可能な文の数が限られてしまうという問題がある．このように，対訳辞書の規模は，そのシステムが処理できる文数と直接関わる重大な要素である．しかしながら，一般に辞書の構築はコストが高く，登録単語数を増やすことは容易ではない．これに対して，人間が翻訳作業をする場合を考えると，翻訳者は知らない単語を対訳辞書で検索するが，その単語が辞書に記載されていない場合，同じ意味の別の表現に言い換えて辞書を引く．本研究では，人間のこの行動を模倣し，対訳辞書に登録されていない自立語を，登録されている単語だけから成る表現に言い換えることにより，訳語の獲得を目指す．これにより，二言語間の言語知識が必要な問題を一言語内で扱える問題にすることができる．言い換えに関する研究は，近年，盛んに進められている\cite{yama01}．これに伴って，言い換えの目的に応じた種々の言い換え獲得手法が提案されている．これらの内，本研究で扱う自立語の言い換えに関するものに注目すると，概ね次の二つの手法に分けることができる．一つは，単語の用法や出現傾向，概念などの類似性を評価し，類似する表現を集める手法である\cite{hindle}\cite{cui}\cite{kasahara}．これらの中には言い換えを獲得することを直接の目的としないものもあるが，集められた類似表現を言い換え可能な語の集合と見做すことができる．もう一つは，国語辞書などにおいて単語の語義を説明している語義文を，その見出し語の意味を保存した言い換えと見做して利用する手法である．これに属する手法としては，語義文から見出し語との同等句を抜き出し，直接言い換える手法\cite{kajichi}\cite{ipsj02}や，2つの単語間の意味の差を，単語の語義文における記述の差異として捉え，言い換えの可否を判定する手法\cite{fuj00}\cite{fujita}が挙げられる．従来，自立語の言い換え処理は，この二つの分類のどちらか一方の手法を適用して言い換えを得る，一段階の処理として扱われてきた．これに対して，Murataら\cite{murata}は，言い換え処理を次の二つのモジュールに分割した．一つは，用意した規則を元に，入力表現を可能な限り変換するモジュールであり，もう一つは，変換された表現の内，言い換えの目的に最も適ったものを選び出す評価モジュールである．ただし，変換のための規則は，言い換えの前後で意味が変わらないものであることを保証する必要がある．処理を分割することによって，評価モジュールにおける評価の観点を変えることが可能となり，様々な言い換え目的に対して，汎用的な言い換え処理モデルを提供できるとしている．しかし，この手法では，あらかじめ変換規則を検証しておく必要があるほか，従来の言い換え獲得処理に関する手法を柔軟に適用できないという問題がある．そこで，本研究では，この言い換え処理の段階分けの考え方をさらに進めて，可能な限り類似表現を収集する{\bf収集段階}と，収集された言い換え候補について，言い換えの目的に適う表現を選び出す{\bf選抜段階}とに分けることを考える．このように分割することにより，各段階において，類似度に基づく手法と語義文に基づく手法とを別々に適用できる．さらに，言い換えの対象となる単語に合わせて，その組み合わせ方を変えることができる．本論文では，収集段階に語義文に基づく手法を，選抜段階に類似度に基づく手法を用い，両者を組み合わせることによって適切な言い換えを獲得する手法について提案する．さらに，獲得した言い換えを日本語--ウイグル語翻訳システムで翻訳し，それを辞書に追加することによる対訳辞書の拡充実験も行った．以下，本論文では，第2章において現在までに研究されている言い換え処理技術について，その概要を述べて整理する．次に第3章において，言い換え処理を収集段階と選抜段階に分割し，それぞれに第2章で述べた従来の研究を適用する手法について提案する．第4章においては，第3章で提案した言い換え手法を用いた実験と，さらに対訳辞書の拡充実験について報告する．最後に，第5章は本論文のまとめである．
V06N07-04	\label{sec:sec1}インターネットの普及も手伝って，最近は電子化されたテキスト情報を簡単にかつ大量に手にいれることが可能となってきている．このような状況の中で，必要な情報だけを得るための技術として文章要約は重要であり，計算機によって要約を自動的に行なうこと，すなわち自動要約が望まれる．自動要約を実現するためには本来，人間が文章を要約するのと同様に，原文を理解する過程が当然必要となる．しかし，計算機が言語理解を行うことは現在のところ非常に困難である．実際，広範囲の対象に対して言語理解を扱っている自然言語処理システムはなく，ドメインを絞ったトイシステムにとどまっている．一方では言語理解に踏み込まずともある程度実現されている自然言語処理技術もある．例えば，かな漢字変換や機械翻訳は，人間が適切に介在することにより広く利用されている．自動要約の技術でも言語理解を導入せずに，表層情報に基づいたさまざまな手法が提案されている．これらの手法による要約は用いる情報の範囲により大きく２つに分けることができる．本論文では文章全体にわたる広範な情報を主に用いて行なう要約を{\gt大域的要約}，注目個所の近傍の情報を用いて行なう要約を{\gt局所的要約}と呼ぶ．我々は字幕作成への適用も視野に入れ，現在，局所的要約に重点を置き研究している．局所的要約を実現するには，後述する要約知識が必須であり，これをどのようにして獲得するかがシステムを構築する際のポイントとなる．本論文ではこのような要約知識（置換規則と置換条件）を，コーパス（原文−要約文コーパス）から自動的に獲得する手法について述べる．本手法では，はじめに原文中の単語と要約文中の単語のすべての組み合わせに対して単語間の距離を計算し，ＤＰマッチングによって最適な単語対応を求める．その結果から置換規則は単語対応上で不一致となる単語列として得られる．一方，置換条件は置換規則の前後ｎグラムの単語列として得られる．ＮＨＫニュースを使って局所的要約知識の自動獲得実験を行い，その有効性を検証する実験を行ったのでその結果についても述べる．以下，~\ref{sec:sec2}~章では自動要約に関して{\gt大域的要約}と{\gt局所的要約}について説明をする．~\ref{sec:sec3}~章では要約知識を自動獲得する際にベースとなる，原文−要約文コーパスの特徴について述べる．~\ref{sec:sec4}~章では要約知識を構成する置換規則と置換条件について説明し，これらを自動獲得する手法について述べる．~\ref{sec:sec5}~章では原文−要約文コーパスから実際に要約知識を自動獲得した実験結果について述べ，獲得された要約知識の評価結果についても述べる．~\ref{sec:sec6}~章ではまとめと今後の課題について述べる.\newpage
V15N03-03	質問応答技術は自然言語によって表現された質問に文書でなく情報そのもので回答する事を可能とするもので，情報アクセスの新しい形として期待されている\cite{Voorhees00}．事実に関する独立した質問に一問一答形式で回答するものを中心に研究が始められたが，近年は様々な面で研究の展開が見られ，そのひとつに対話性の重視があげられる．質問応答技術を牽引してきたといってよいTREC\cite{Voorhees05,TREC}では，TREC2001において対話的な利用を前提とした文脈処理の能力を評価する試みがなされている\cite{Voorhees01}．その後，TREC2004から，相互に独立した質問ではなく，あるトピックに関する一連の質問の集まりという形で課題を与えるようになっている\cite{Voorhees04}．文脈処理の能力を評価するものでないとはいえ，あるトピックに関して一連の質問を行うという利用場面が自然であると考えられている点が注目される．また，あるトピックに関する複数の質問にどの程度回答できるかを，複数文書要約の評価指標とすることが試みられており\cite{Mani98}，ここでも，あるトピックに関する一連の質問に回答できることが重視されている．一連の質問に回答するという利用形態は質問応答システムの進むべき方向のひとつとしても議論されており，例えば，新人レポータがある事件の記事を執筆するために，彼の記事で答えられるべき大きな質問をより簡単な質問の集まりに言い換えてシステムに訊ねるという形で，アナリストやレポータが利用しうる質問応答システムへの発展が提案されている\cite{Burger01}．また，ARDAのAQUAINTprogram\cite{AQUAINT}ではアナリストが分析的に用いる質問応答システムの構築がその目的とされており，より積極的に対話的な質問応答の研究が進められている．質問の分解を含めて，分析的説明的な質問にどう答えるか，明確化等の利用者とのやりとりはどうするか等が研究の関心となっている\cite{Hickl04,Small03}．本稿では，あるトピックに関して対話的に行われる一連の情報アクセスを質問応答システムが支援する能力，情報アクセス対話の対話相手として情報を提供するために質問応答システムが持つべき能力を定量的に評価するためのタスク，IADタスク\footnote{IADは情報アクセス対話(InformationAccessDialogue)の頭文字からとった．}を提案する．質問応答システムが情報アクセス対話に参加するために必要となる様々な能力\cite{Burger01}の中で，IADタスクでは，そもそも情報アクセス対話を扱うためにはどのような質問に答えられる必要があるのか，そして，対話の実現の基本となる対話文脈を考慮した質問の解釈，つまり照応解消や省略処理等のいわゆる文脈処理はどの程度必要なのかに着目し，その能力を評価する．IADタスクは，情報アクセス技術に関する一連の評価ワークショップNTCIRWorkshop\cite{NTCIR}において，NTCIR-4のQAC2Subtask3\cite{Kato04,Kato05a}，NTCIR-5のQAC3\cite{Kato05b,KatoJ06}として実施されたものに基づいている．対話的な質問応答というそもそものアイディアはNTCIR-3のQAC1Subtask3\cite{Fukumoto03}に遡るが，NTCIR-4のQAC2Subtask3での実施においてタスクの抜本的な改変を行い本稿で述べる形態を固め，同時にタスクの裏付けについての実験を行った．その後，そこでの経験を基に幾つかの洗練を行って，NTCIR-5のQAC3として実施している．ここで，評価タスクの提案という本稿の特殊性について一言述べておく．研究や技術の進展や加速のために共通の評価が必要であり．それを得るための評価タスクが重要であることは，議論の余地がまったくないとはいえないまでも\cite{Sekine05}，大概の合意を得ていると思われる\cite{Ogawa02}．一方で個々の評価タスクについて考えると，ある評価タスクが価値あるものであるためには，それが評価する研究や技術が評価されるに値するものであり，かつ，その評価のために適切に設計されている必要がある．前者は研究や技術の価値の議論であり，後者も何をもって適切とするかが絡んで必ずしも明快な議論とはならない．本稿では，ここで提案するIADタスクにおいて高い評価を得たシステムあるいは技術が可能とする利用場面を示し，前者の根拠とする．加えて，後者については，少なくとも2回の実施を通じて明らかとなった問題について一定を解決を与えていることを根拠とする．設計ということで一部に恣意的な決定を含んでいるし，この評価タスクであらゆるデータが収集できるわけではない．実施できなければならないという現実性との妥協もある．そのような一連の留保を前提にしているとはいえ，本提案が，課題設定の独自性，評価に関する様々な配慮，情報収集のための仕組み等の点で，新規かつ有益なものであることを主張する．本稿の構成は以下の通り．\ref{Sec2}節でIADタスクの枠組みを説明する．タスク設計の中心となる質問シリーズを説明し，それがトピック推移の観点から収集型とブラウジング型に分類されることを述べる．加えて，IADタスクの枠組みの根拠となった実験結果を示し，このタスクによって評価される技術が可能とする質問応答技術の利用場面を示唆する．\ref{Sec3}節では，評価の枠組みとして，回答の列挙に複数の体系を許し回答の2種類の質を考慮した多段階評価手法を提案する．そして，なぜそのような枠組みが必要であるかを実例に基づいて説明する．\ref{Sec4}節ではより多くの情報を得るための補助的な仕組みとしての参照用テストセットについて説明し，それがシステムの文脈処理能力をある程度まで切り離した評価を可能とすることを示す．\ref{Sec5}節では関連する取り組みを述べ，それとの比較を通じて本提案の有効性を示し，特に収集型とブラウジング型への分類を含む質問シリーズの構成方法が重要であることを述べる．\ref{Sec6}節で全体をまとめる．また，IADタスクに対して，最先端のシステムがどのような結果を示すのかを付録にまとめた．
V12N05-08	モンゴル語においては，自立語の語幹に対して格を表す語尾や動詞の活用を表す語尾・接続助詞等が結合したものが句を構成し，ヨーロッパ言語と同様に，空白で区切られた句の列により文を構成する．ここで，モンゴル語の形態素解析の問題について考えると，この問題は，モンゴル語文中の名詞句や動詞句が与えられて，それらの句を名詞あるいは動詞の語幹と語尾とに分解することであると言える．この処理を実現するためには，名詞あるいは動詞の語幹に語尾が接続する際の接続可能性や語変形の規則性を明らかにする必要がある．また，例えば，他の言語からモンゴル語への機械翻訳などにおいては，名詞あるいは動詞の語幹および語尾が与えられると，その語幹・語尾の組に対する語変形や活用の過程を規則化し，名詞句あるいは動詞句を生成する機構を確立する必要がある．ところが，現時点で利用可能なモンゴル語の言語資源としては，数千語程度の規模の単語について語幹情報が登録された電子辞書，および，ウェブ上で収集可能な新聞記事等の電子テキストが存在するにすぎない．また，モンゴル語に関して，名詞あるいは動詞の語幹と語尾の組から名詞句あるいは動詞句を生成するための言語知識や規則なども全く整備されていない．また，そのような句生成のための言語知識・規則を運用すれば，モンゴル語の句の形態素解析を行なうこともできるが，現時点では，モンゴル語文の形態素解析を実用的規模で行なうことも実現されていない．本論文では，現時点で利用可能なモンゴル語の言語資源，特に，名詞・動詞の語幹のリスト，および，名詞・動詞に接続する語尾のリストから，モンゴル語の名詞句・動詞句を生成する手法を提案する．具体的には，名詞・動詞の語幹に語尾が接続する際の音韻論的・形態論的制約を整備し，語幹・語尾の語形変化の規則を作成する．評価実験の結果において，名詞句の場合は98\%程度，動詞句の場合は100\%という性能で，生成された句の中に正しい句候補が含まれるという結果が得られた．さらに，本論文では，この句生成に基づいて，モンゴル語の名詞句・動詞句の形態素解析を行なう手法を提案する．具体的には，まず，既存のモンゴル語辞書から名詞語幹および動詞語幹を人手で抽出する．次に，これらの語幹に対して，モンゴル語名詞句・動詞句生成規則を適用することにより，語幹・語尾の組から句を生成するための語形変化テーブルを作成する．そして，この語形変化テーブルを参照することにより，与えられた名詞句・動詞句を形態素解析して語幹・語尾に分離する．評価実験の結果においては，語形変化テーブルに登録されている句については，形態素解析の結果得られる語幹・語尾の組合せの候補の中に，正しい解析結果が必ず含まれることが確認できた．以下，まず，\ref{sec:mon-gra}~節においては，モンゴル語の文法の概要について述べる．\ref{scn:vowelagreement}~節においては，名詞・動詞の語幹に語尾が接続する際に，名詞・動詞に含まれる母音字と，語尾に含まれる母音字の間で満たされるべき接続制約について述べ，\ref{scn:suffixagreement}~節においては，名詞・動詞の語幹に語尾が接続する際の語形変化規則について述べる．\ref{sec:phrase-gene}~節においては，モンゴル語句生成の評価実験について，\ref{sec:morph-analysis}~節においては，モンゴル語形態素解析の評価実験について，それぞれ述べる．また，\ref{sec:related}~節においては，関連研究について述べる．
V13N03-02	自然言語処理において高い性能を得ようとするとき，コーパスを使った教師あり学習(supervisedlearning)は，今や標準的な手法である．しかしながら，教師あり学習の弱点は一定量以上のタグ付きコーパスが必要なことである．仮によい教師あり学習の手法があったとしても，タグ付きコーパス無しでは高い性能は得られない．ここでの問題は，コーパスのタグ付けは労力がかかるものであり，非常に高くつくことである．この点を克服するためいくつかの手法が提案されている．最小限教師あり学習\footnote{``minimally-supervisedlearning''をさす．全ての事例に対してラベルを与えるのではなく，極めて少量の事例に対してのみラベルを与える手法．例えば\cite{Yarowsky1995,Yarowsky2000}などがある．}や能動学習(activelearning)(例えば\cite{Thompson1999,Sassano2002})である．これらに共通する考え方は，貴重なラベル付き事例を最大限に活かそうということである．同じ考え方に沿う別の手法として，ラベル付き事例から生成された{\em仮想事例}(virtualexamples)を使う手法がある．この手法は，自然言語処理においてはあまり議論されていない．能動学習の観点から，LewisとGale\shortcite{Lewis1994}が文書分類での仮想事例について少し触れたことがある．しかしながら，彼らはそれ以上仮想事例の利用については踏み込まなかった．このとき考えられた利用方法は，分類器(classifier)が自然言語で書かれた仮想的な文書例を作り，人間にラベル付けさせるものだったが，それは現実的ではないと考えられたからである．パターン認識の分野では，仮想事例はいくつかの種類について研究されている．SVMsとともに仮想事例を使う手法を最初に報告したのは，Sch\"{o}lkopfら\shortcite{Schoelkopf1996}である．彼らは，手書き文字認識タスクにおいて精度が向上したことを示した(第~\ref{sec:vsv}節でも述べる)．このタスクでの次のような事前知識(priorknowledge)に基づいて，ラベル付き事例から仮想事例を作り出した．その事前知識とは，ある画像を少しだけ修正した画像(例えば，1ピクセル右にシフトさせた画像)であっても元の画像と同じラベルを持つということである．また，Niyogiらも事前知識を使って仮想事例を作り，それにより訓練事例の数を拡大する手法について議論している\cite{Niyogi1998}．我々の研究の大きな目的は，コーパスに基づく自然言語処理において，Sch\"{o}lkopfら\shortcite{Schoelkopf1996}がパターン認識で良好な結果を報告している仮想事例の手法の効果を調べることである．コーパスに基づく自然言語処理での仮想事例の利用については，バイオ文献中の固有表現認識を対象にした研究\cite{Yi2004}があるが，対象タスクも限られており，研究が十分に進んでいるとは言えない状況である．しかしながら，仮想事例を用いるアプローチを探求することは非常に重要である．なぜなら，ラベル付けのコストを削減することが期待できるからである．特に，我々はSVMs\cite{Vapnik1995}における仮想事例の利用に焦点をあてる．SVMは自然言語処理で最も成功している機械学習の手法の一つだからである．文書分類\cite{Joachims1998,Dumais1998}，チャンキング\cite{Kudo2001}，係り受け解析\cite{Kudo2002}などに適用されている．本研究では，文書分類タスクを自然言語処理における仮想事例の研究の最初の題材として選んだ．理由は大きく二つある．一つには，機械学習を用いた文書分類を実際に適用しようとすると，ラベル付けのコストの削減は重要な課題になるからである．もう一つには，ラベル付き事例から仮想事例を作り出す方法として，単純だが効果的なものが考えられるからである(第~\ref{sec:vx}節で詳細に述べる)．本論文では，仮想事例がSVMを使う文書分類の精度をどのように向上させるか，特に少量の学習事例を使った場合にどうなるかを示す．
V09N05-01	自然言語処理においてchunk同定問題(chunking)とは，単語列(一般にこれをtoken列とよぶ)をある視点からまとめ上げていき，まとめ上げた固まり(chunk)をそれらが果たす機能ごとに分類する一連の手続きのことを指す．この問題の範疇にある処理として，英語の単名詞句同定(baseNPchunking)，任意の句の同定(chunking)，日本語の文節まとめ上げ，固有名詞/専門用語抽出などがある．また，各文字をtokenとしてとらえるならば，英語のtokenization，日本語のわかち書き，品詞タグ付けなどもchunk同定問題の一種としてとらえることができる．一般に，chunk同定問題は，文脈から得られる情報を素性としてとらえ，それらの情報から精度良くchunkを同定するルールを導出する手続きとみなすことができる．そのため，各種の統計的機械学習アルゴリズムを適用可能である．実際に機械学習を用いた多くのchunk同定手法が提案されている\cite{Ramshaw95,Tjong_Kim_Sang2000a,Tjong_Kim_Sang2000b,Tjong_Kim_Sang2000d,内元00,Sassano00b}．しかしながら，従来の統計的手法は，いくつかの問題がある．例えば，隠れマルコフモデルや最大エントロピー(ME)モデルは素性どうしの組み合わせ(共起関係)を効率良く学習できず，有効な組み合わせの多くは人手によって設定される．また多く機械学習アルゴリズムは高い精度を得るために慎重な素性選択を要求し，これらの素性選択も人間の発見的な手続きにたよっている場合が多い．一方，統計的機械学習の分野では，Boosting\cite{Freund96}，SupportVectorMachines(SVMs)\cite{Vapnik95a,Vapnik98}等の学習サンプルと分類境界の間隔(マージン)を最大化にするような戦略に基づく手法が提案されている．特にSVMは，学習データの次元数(素性集合)に依存しない極めて高い汎化能力を持ち合わせていることが実験的にも理論的にも明らかになっている．さらに，Kernel関数を導入するとこで，非線形のモデル空間を仮定したり，複数の素性の組み合せを考慮した学習が可能である．このような優位性から，SVMは多くのパターン認識の分野に応用されている．自然言語処理の分野においても，文書分類や係り受け解析に応用されており，従来の手法に比べて高い性能を示している\cite{Joachims99,平2000,kudo2000b,kudo2000c,工藤02}本稿ではchunk同定問題として，英語の単名詞句のまとめ上げ(baseNPchunking)および英語の任意の句の同定(chunking)を例にとりながら学習手法としてSVMを用いた手法を述べる．さらに，chunkの表現方法が異なる複数の学習データから独立に学習し，それらの重み付き多数決を行うことでさらなる精度向上を試みる．その際，本稿では，各モデルの重みとしてSVMに固有の新たな2種類の重み付けの手法を提案する．本稿の構成は以下の通りである．2章でSVMの概要を説明し，3章で一般的なchunk同定モデルおよびSVMの具体的な適用方法，重み付け多数決の方法について述べる．さらに4章で実際のタグ付きコーパスを用いた評価実験を提示し，最後に5章で本稿をまとめる．
V12N06-02	自由に閲覧することができる電子化文書の数が膨大になるにつれ，その中からユーザが必要とする情報を効率的に探し出すことが困難になってきている．このため，ユーザからの質問に対して明確な回答を自動的に提示する質問応答(QA)技術が注目されている．質問応答に用いる知識を人工言語で記述したUC\cite{thesis:wilensky84}などの質問応答システムでは，十分な記述力をもつ人工言語の設計のむずかしさ，知識ベースの高い作成コストといった問題があった．そこで，大量の電子化文書が利用可能になった1990年代からは，自然言語で記述された文書を質問応答システムの知識として利用しようとする研究が行われている\cite{proc:hammond95}．近年では，TREC\cite{web:TREC}やNTCIR\cite{web:NTCIR}といった評価型ワークショップも行われ，新聞記事やWWW文書などを知識として用いる質問応答システムの研究もさかんである．しかし，これらの研究の多くは事実を問う質問(what型の質問)を対象としていて，方法や対処法を問う質問(how型の質問)を扱うものは\cite{proc:higasa99}\cite{proc:kiyota02}などまだ少ない．これは，事実を問う質問に答えるための知識に比べ，方法や対処法を問う質問に答えるための知識(「こんな場合にはこうする」など)を獲得することがむずかしいからである．日笠らや清田らは，方法や対処法を問う質問に答えるための知識としてFAQ文書やサポート文書が利用できることを示した\cite{proc:higasa99}\cite{proc:kiyota02}．しかしこれらの研究では，FAQ文書やサポート文書がもつ文書構造を利用することを前提としていた．FAQ文書やサポート文書以外の，より多くの文書を知識として利用するためには，文書構造以外の手がかりを利用する方法について研究しなければならない．そこで本研究では最初に，方法や対処法を問う質問(how型の質問)に質問応答システムが答えるための知識を，メーリングリストに投稿されたメールからその質問や説明の中心になる文(重要文)を取り出すことによって獲得する方法について述べる．次に，メーリングリストに投稿されたメールから獲得した知識を用いる質問応答システムについて報告する．作成したシステムは自然な文で表現されたユーザの質問を受けつけ，その構文的な構造と単語の重要度を手がかりに質問文とメールから取り出した重要文とを照合してユーザの質問に答える．最後に，作成したシステムの回答と全文検索システムの検索結果を比較し，メーリングリストに投稿されたメールから方法や対処法を問う質問に答えるための知識を獲得できることを示す．
V16N05-04	\label{sec:introduction}テキスト中の含意関係や因果関係を理解することが，質問応答，情報抽出，複数文章要約などの自然言語処理の応用に役立つと知られている．これを実現するためには，例えば，動詞「洗う」と動詞句「きれいになる」が，何かを洗うという行為の結果としてその何かがきれいになるという因果関係である，といったような知識が必要である．本論文では，事態と事態の間にある関係を大規模にかつ機械的に獲得するための手法について述べ，この手法を用いた実験結果を示す．因果関係，時間関係，含意関係等の事態間関係を機械的に獲得するための研究が既に存在する~\cite[etc.]{Dekang-Lin,inui:DS03,chklovski,torisawa:NAACL,pekar:2006:HLT-NAACL06-Main,zanzotto:06}．これらの研究に共通する方法論は，特定の事態間関係を表現する語彙統語的なパターンを人手で作成し，このパターンと共起する事態対をテキストから抽出することで，特定の関係を満たす事態対を獲得するという方法である．なお，このように共起関係を利用するパターンを共起パターンと言うことにする．例えば``toVerb-XandthenVerb-Y''という時間的前後関係を表現する共起パターンを用いて，テキスト``tomarryandthendivorce''から動詞``marry''と動詞``divorce''が時間的前後関係にあるという知識を獲得できる~\cite{chklovski}．こうした手法では，大量の共起パターンを人手で作成することが困難であるため，多くの事態対と共起する傾向を持つような一般的な共起パターンを用意することで，少量の一般的な共起パターンを用いて特定の関係を満たす事態対を大量に獲得することが可能となる．しかし，このような一般的な共起パターンを用いて獲得した事態対には誤りが多いという傾向がある．この問題に対処するために，一般的な共起パターンを利用して獲得した事態間関係に別の手法を適用して誤った事態間関係を取り除く手法があり，代表的なものとして発見的な統計情報を用いる手法~\cite{chklovski,torisawa:NAACL,zanzotto:06}と曖昧性の問題を解消するために学習を行う方法~\cite{inui:DS03}がある．一方で，実体間関係を獲得する研究~\cite[etc.]{ravichandran:02,pantel2006}が共起パターンと獲得できる事例の性質を次のように報告している．\begin{itemize}\item多くの事例と共起するパターン（一般的なパターン）を利用して実体間関係知識を獲得すると精度が低い傾向がある．そのため，精度を向上させるためには誤った関係を除く別の手法が必要である．\item逆に少数の事例のみと共起するパターン（特殊なパターン）を利用することで高い精度で実体間関係を獲得することが可能になる．しかし，大量に実体間関係知識を獲得するためには大量の共起パターンを用意する必要がある．\item一般的な共起パターンと特殊な共起パターンを組み合わせて実体間関係を獲得することで高い精度で大量の実体間関係知識を獲得できる可能性がある．\end{itemize}これを受けてPantelとPennacchiotti~\cite{pantel2006}は，実体間関係を表現する共起パターンと実体対をブートストラップ的に獲得する手法を開発した．しかし，これと同様の手法は事態間関係獲得でまだ試みられていないため，この手法を事態間関係獲得に適用した場合に実体間関係獲得のように良い成果を上げるのかという点が明かではない．これらの実体間関係獲得の研究成果を事態間関係獲得に応用するために，PantelとPennacchiotti~\cite{pantel2006}のブートストラップ的実体間関係獲得手法を事態間関係獲得に適用させるように拡張し（\ref{ssec:argument_selection}〜\ref{ssec:pattern}節），拡張した手法が事態間関係獲得においても有効であるかを確認するために，日本語5億文Webコーパスから従来の手法と拡張した手法を用いて行為—結果関係にある事態間関係を獲得し，この結果を評価する（\ref{sec:experiment}節）．
V07N04-02	韓国語言語処理について述べる．朝鮮半島は日本にとって歴史的，経済的，社会的に関係の深い周辺地域であり，その意味において韓国語は非常に重要な外国語の一つである．また言語的に，韓国語は日本語に類似する特徴を最も多く持つ言語，つまり日本語に最も近い言語と考えられている．すなわち，日本語言語処理にとって最も参考にすべき外国語が韓国語である．このような背景にも関わらず，日本における韓国語処理，特に日韓翻訳や韓日翻訳に関する研究は，十分に議論されているとは言えない．韓国語は日本語に最も類似した言語であるが故に機械翻訳も容易であり，研究の必要性は低く見られがちである．しかし日韓翻訳に関して文献\cite{日韓評価}が指摘するように，市販システムの翻訳品質は依然低い．また我々の見る限り，韓日翻訳に関しても状況は同じである．これは同論文の結論でも述べているように，正確な分析に基づく翻訳になっていないからであると考える．そこで，本研究では韓国語を対象に，機械翻訳をはじめほとんどの言語処理の基本単位である形態素に対して検討を行なった．日韓翻訳あるいは韓日翻訳の際に，形態素をどのように捉えて，どのように処理すればいいのだろうか．特に，韓国語形態素をどう機械処理すべきか，一般に言われている韓国語の品詞体系が本当に計算機処理に適当なのかという議論，あるいは後述する音韻縮約現象をどう捉えるかという問題を，ここでは研究の対象にする．このような問題意識に基づく研究は，従来ほとんど見ることができない{}\footnote{これは韓国語に限定したことではない．計算機用言語体系の議論は日本語\cite{渕文法}\cite{宮崎文法}やスペイン語\cite{スペイン語品詞体系}に対する文献など若干が見受けられるのみである．}．以上のような動機のもと，日本における韓国語処理への理解と議論の活性化を願い，本論文では韓国語の言語処理をどう行なうべきかの一つの実例を示すことによって提案を行なう．本論文で行なう提案は大きく，以下の4項目に分類される．\begin{itemize}\item形態素体系(\ref{節:形態素体系}節)\item品詞体系(\ref{節:品詞体系}節)\item形態素解析(\ref{節:形態素解析}節)\item生成処理(\ref{節:生成処理}節)\end{itemize}日本語について考えた場合，これら形態素に関連する4項目は別個に検討され，議論されている場合が多い．しかし，本論文では韓国語に関して一括して議論を進める．これは，形態素や品詞体系と形態素解析，生成処理は相互に深く関係している体系と処理であり，相互を関連づけながら議論を進めた方が得策と考えたからである．どのような品詞体系を取るか，形態素にどのような情報をどのように持たせるかによって，最適な形態素解析手法は異なることが予想され，例えば同一の統計的手法であっても品詞数によって最適な統計の取り方は異なってくるはずである．また逆に，形態素解析結果を分析することによって言語体系は再検討すべきであり，例えば正しく解析できることが全く期待できない言語体系は機械処理上意味がないので体系を見直さなければならない．本論文で提示する韓国語体系の特徴は機械処理のしやすさを考慮して設計した体系である，という点にある．すなわち，形態素解析における誤りを分析することで仕様を再検討し，できるだけ誤りの少ない体系となるよう努めた．また，機械翻訳での必要性を考慮して，機械翻訳で必要性の低い品詞分類は統合し，重要な分類は必要に応じて細分化を行なった．また韓国語の一つの特徴である分かち書きや音韻縮約に対して，どのように機械的な処理を行なうかについても提案を行なった．形態素解析では，統計的手法を基本としながら韓国語固有の問題に対しては独自の対応を施すことで良好な解析精度が得られた．韓国語生成処理では，特に分かち書き処理について，提案した品詞体系を利用した規則を作成した．我々は，多言語話し言葉翻訳の一環として日韓翻訳，並びに韓日翻訳の研究を行なっている．翻訳手法としては変換主導翻訳(Transfer-DrivenMachineTranslation,TDMT)\cite{古瀬99}を用い，日韓/韓日のみならず日英/英日/日独/日中を全く同一の翻訳部で処理を行なっている．各言語固有の形態素解析，生成処理については言語ごとに作成する．本論文で述べる形態素体系，品詞体系，形態素解析，生成処理はいずれもTDMTの日韓翻訳部，韓日翻訳部に実装されている．本論文では韓国語固有の問題について議論するため，共通のエンジンである翻訳部については述べない．従ってTDMTによる翻訳処理機構に関しては{}\cite{古瀬99}を，特にTDMTの日韓翻訳部については{}\cite{IPSJ:TDMT日韓}を，それぞれ参照されたい．本論文では，論文の読者が日本語話者であることを意識して議論を進める．すなわち，日本語と韓国語の両言語を比較，対比して述べたり，韓国語の現象を日本語に写像して説明したりすることを試みる．日本語と対照させることで韓国語の特徴を浮彫りにすることができると考えた．またこれによって韓国語処理の研究もしくは韓国語そのものに理解を深めることができればと願っている．前述したように，日本語は韓国語と類似する特徴を多く持つ言語であるから，本論文で述べる体系や処理は，韓国語処理のみならず日本語処理に関しても部分的に有用であると期待している．なお，本論文の処理対象言語であり，主に朝鮮半島において使用されるこの言語の名称は，ハングル，朝鮮語，コリア語などと表現される場合もあるが，本論文ではこれを「韓国語」で統一する．
V07N02-07	近年のWWW(WorldWideWeb)などのインターネットの発展や電子化文書の増加により情報検索\cite{ir_tokunaga,ir_doukou,Fujita99}の研究は盛んになっている．これを背景に日本で情報検索コンテストIREXが行なわれた．われわれはこのコンテストに二つのシステムを提出していたが，記事の主題が検索課題に関連している記事のみを正解とするA判定の精度はそれぞれ0.4926と0.4827で，参加した15団体，22システムの中では最もよい精度であった．本論文は，この二つのシステムの詳細な説明と，これを用いた詳細な実験結果を記述するものである．われわれの情報検索の方法では基本的に，確率型手法の一つのRobertsonの2-ポアソンモデル\cite{2poisson}を用いている．しかし，この方法では検索のための手がかりとして当然用いるべき位置情報や分野情報などを用いていない．それに対しわれわれは2-ポアソンモデルにおいて位置情報や分野情報，さらに種々の詳細な情報などをも統一的に用いる枠組を考案し，これらの情報の追加により精度向上を実現できることを実験により確かめている．また，2-ポアソンモデルを用いる際にはまず，どのようなものをキーワードとするかを定める必要がある．本研究では，キーワードの抽出方法について4つのものを示し，それらの比較実験を行なっている．
V17N01-01	\label{sec:introduction}機械翻訳システムの研究開発において，システムの翻訳品質の評価は重要なプロセスの一つである．人手による翻訳品質評価では，機械翻訳システムによる翻訳（以下，{\MT}）に対して{\ADE}と{\FLU}の二つの側面から評価値が付与される\cite{Sumita05}．{\ADE}は，原文によって読者に伝わる情報のうちどの程度が翻訳文によって伝わるかを測る尺度である．一方，{\FLU}は，翻訳文が目的言語の文としてどの程度流暢（自然）であるかを原文とは独立に測る尺度である．本研究では，対象を英日機械翻訳に絞り，まず，現状の一般的な英日機械翻訳システムの翻訳品質を把握するために，市販されている英日機械翻訳システムで得られた{\MT}を{\ADE}と{\FLU}の側面から評価した．その結果，\ref{sec:experiment:setting}節で述べるように，{\ADE}の評価値に比べて{\FLU}の評価値のほうが低く，{\MT}の{\FLU}を向上させることがより重要な課題であることが判明した．このため，特に{\FLU}の向上に重点を置いたシステム改善を支援することを目的として，{\FLU}の評価の効率化を図るための自動評価手法を提案する．{\FLU}を低下させる要因はいくつか考えられるが，その一つに不自然な逐語訳がある．辞書と規則に基づく方式の機械翻訳システムは，現状では，逐語訳をすべきでない場合でもそのような訳し方をすることがある．このため，{\MT}には不自然な逐語訳が含まれている可能性が高い．従って，{\MT}と人間による翻訳（以下，{\HUM}）における逐語訳の違いを捉えることによって{\MT}の{\FLU}（の一部）の自動評価が可能になると期待できる．既存の自動評価手法の中には，機械学習によって識別器を構築する手法\cite{Oliver01,Kulesza04,Gamon05,Tanaka08}がある．この手法では，良い翻訳とは{\HUM}に近いものであり，そうでない翻訳とは{\MT}に近いものであると仮定される．このような仮定の下で，対訳コーパスにおける{\HUM}（正例）と，原文を機械翻訳システムで翻訳して得られる{\MT}（負例）とを訓練事例として識別器が構築される．この識別器を用いて，評価対象の{\MT}から抽出した素性に基づいて，その{\MT}が良い翻訳であるかそうでないかの二値判定が行なわれる．本研究では，このような先行研究に倣い，{\HUM}と{\MT}を訓練事例とした機械学習によって構築した識別器を用いて自動評価を行なう．このような自動評価手法においては，{\HUM}での逐語訳と{\MT}での逐語訳の違いを適切に捉えることができる手がかりを機械学習で用いる素性として選ぶ必要がある．本稿では，このような素性として{\align}結果を利用することを提案する．具体的には，\ref{sec:feats}節で述べるように，英文と{\HUM}の間，および英文と{\MT}の間で{\align}を行ない，その結果を機械学習のための素性とする．従来，{\FLU}の評価には$N$グラムが用いられることが多いが，{\HUM}と{\MT}での逐語訳の違いを捉えるには$N$グラムよりも{\align}結果を利用するほうが適切であると考えられる．検証実験の結果，提案手法によってシステムレベルでの自動評価が可能であることが示唆された．また，{\SVM}\cite{Vapnik98}による機械学習で各素性に付与される重みに基づいて{\MT}に特徴的な素性を特定できるため，このような素性を含む文を観察することによって文レベルでの{\MT}の特徴分析を行なうこともできる．
V24N03-02	label{first}元来から日本は，外来語を受け入れやすい環境にあるといわれており，数多くの外国の言葉を片仮名として表記し，そのまま使用している．近年になり，今まで以上にグローバル化が進展すると共に，外来語が益々増加する中，外来語の発音を片仮名表記にしないケースが見受けられる．特に，英語の場合，外国語の表記をそのまま利用することも増えてきている．また，英単語などの頭文字をつなげて表記する，いわゆる略語もよく利用されるようになっている．例えば，「IC」といった英字略語がそれにあたる．しかし，英字略語は英単語の頭文字から構成される表現であるため，まったく別のことを表現しているにも関わらず，同じ表記になることが多い．先の英字略語「IC」には，「集積回路」という意味や高速道路などの「インターチェンジ」という意味がある．さらには，ある業界では，これらとはまた別の意味で使用されることもある．このように，英字略語は便利な反面，いわゆる一般的な単語よりも非常に多くの意味を有する多義性の問題を持つ．そのため，英字略語が利用されている情報は，すべての人が容易に，また，正確に把握できるとは言い難い．そこで，例えば，新聞記事などでは，記事の中で最初に英字略語が使用される箇所において，括弧書きでその意味を日本語で併記する処理をとっていることが多い．しかし，よく知られている英字略語にはそのような処置がとられていないなど，完全に対処されているわけではない．また，記事中の最初の箇所にのみ上記のような処置がとられており，それ以降はその意味が併記されていないことが多い．そのため，記事の途中から文書を読んだり，関連する記事が複数のページに渡って掲載されている時に先頭のページではない部分から記事を読んだりした場合には，最初にその英字略語が出現した箇所を探さなくてはならず，解読にはひと手間が必要となり，理解の妨げとなる．さらに，一般的な文章の場合では，このように英字略語の意味を併記するという処置をとる方が珍しいと言える．
V27N04-02	\label{sec:intro}並列構造とは等位接続詞が結びつける句（並列句）から成る構造である．並列句の範囲の解釈には曖昧性があり，しばしば人間にとっても同定することが難しい．例えば，``{\itToshiba'slineofportables,forexample,featurestheT-1000,whichisinthesameweightclass\underline{but}ismuchslower\underline{and}haslessmemory,\underline{and}theT-1600,whichalsousesa286microprocessor,\underline{but}whichweighsalmosttwiceasmuch\underline{and}isthreetimesthesize}.''という文を一目見て，各等位接続詞に対する並列句を全て見つけることは困難である．並列構造の存在は文を長くし，解釈を曖昧にするため，構文解析において誤りの要因となっている．等位接続詞に対する並列句を同定する方法として，先行研究は並列句の二つの性質を利用してきた．(1)類似性－並列句は類似した言語表現となる傾向がある．(2)可換性－並列句を入れ替えても文全体が文法的に適格である．\citeA{ficler-goldberg:2016:EMNLP}は並列句ペアの類似性と可換性の特徴に基づいた計算を行うニューラルネットワークと構文解析器を組み合わせる方法を提案した．\citeA{teranishi-EtAl:2017:IJCNLP}もこれらの二つの特徴を取り入れているが，構文解析の結果を用いずに最高精度の性能を達成している．どちらのアプローチも\citeA{shimbo-hara:2007:EMNLP-CoNLL}や\citeA{hara-EtAl:2009:ACL-IJCNLP}の類似性に基づく手法と比べて高い性能を得ているが，三つ以上の並列句を持つ並列構造や文中の複数の並列構造をうまく取り扱うことができない．特に文中に複数の並列構造が存在する場合には，並列構造の範囲が不整合に重なり合う状況が生じ得るという問題がある．対して，\citeA{hara-EtAl:2009:ACL-IJCNLP}は並列構造の範囲に不整合が生じることなく並列構造を導出できる生成規則を用いている．本論文では，並列構造解析における新しいフレームワークを提案する．このフレームワークでは等位接続詞と語系列上の二つの範囲（スパン）を取るスコア関数を用いる．スコア関数は二つのスパンが並列となる場合に高いスコアを返す働きを持つ．この関数を並列構造の導出規則に基づくCKYアルゴリズムと組み合わせることで，システムは入力文に対する並列構造の集合を範囲の競合なく出力する．このようなスコア関数を得るために，並列構造解析のタスクを等位接続詞の同定，並列句ペアの内側境界の同定，外側境界の同定の三つのサブタスクに分解し，それぞれに異なるニューラルネットワークを用いる．各ニューラルネットワークは並列構造の構成要素に対して局所的に学習を行うが，CKYアルゴリズムによる構文解析時に協調して働く．英語における評価実験の結果，我々のモデルは並列構造を範囲の競合なく導出できることを保証しつつ，\citeA{teranishi-EtAl:2017:IJCNLP}の手法の拡張や先行研究と比較して高い精度を達成していることが示された．本研究の貢献は以下のとおりである．\begin{itemize}\setlength{\parskip}{0cm}\setlength{\itemsep}{0cm}\item並列句ペアに対するスコア関数の学習・適用によって並列構造を解析するというフレームワークを提案した．\item並列構造解析を三つのサブタスクに分解し，CKYアルゴリズムによる構文解析において協調して働くモデルを開発した．\item三つ以上の並列句を含む並列構造や文中の複数の並列構造を範囲の競合なく導出可能なシステムを確立し，既存手法を上回る解析精度を達成した．\end{itemize}%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
V25N05-03	本稿では日本語名詞句の情報の状態を推定するために読み時間を用いることを目指して，情報の状態と読み時間の関連性について検討する．名詞句の情報の状態は，情報の新旧に関するだけでなく，定性・特定性など他言語の冠詞選択に与える性質や，有生性・有情性などの意味属性に深く関連する．他言語では冠詞によって情報の性質が明確化されるが，日本語においては情報の性質の形態としての表出が少ないために推定することが難しい．情報の状態は，書き手の立場のみで考える狭義の情報状態(informationstatus)と読み手の立場も考慮する共有性(commonness)の2つに分けられる．前者の情報状態は，先行文脈に出現するか（既出：discourse-old）否か（未出：discourse-new）に分けられる．後者の共有性は，読み手がその情報を既に知っていると書き手が仮定しているか（既知：hearer-old），読み手がその情報を文脈から推定可能であると書き手が仮定しているか（ブリッジング：bridging），読み手がその情報を知らないと書き手が仮定しているか（未知：hearer-new）に分けられる．以後，一般的な情報の新旧を表す場合に「情報の状態」と呼び，書き手の立場のみで考える狭義の情報の新旧を表す場合に「情報状態」（informationstatus）と呼ぶ．これらの情報の状態は，言語によって冠詞によって明示される定性(definiteness)や特定性(specificity)と深く関連する．また，\modified{情報の状態は}，有生性(animacy)，有情性(sentience)，動作主性(agentivity)とも関連する．\modified{日本語のような冠詞がない言語においても，これらの「情報の状態」は名詞句の性質として内在しており，ヒトの文処理や機械による文生成に影響を与える．}機械翻訳を含む言語処理における冠詞選択手法は，これらの名詞句にまつわる様々な特性を区別せずに機械処理を行っているきらいがある．例えば，\cite{乙武-2016}は，本来，定・不定により決定される英語の冠詞推定に情報の新旧の推定をもって解決することを主張している．彼らの主張では，談話上の情報の新旧をもって定・不定が推定できると結論付けている．また，自動要約や情報抽出においても，既出・未出といった情報状態の観点，つまり書き手側の認知状態が主に用いられ，既知・想定可能・未知といった共有性の観点\modified{，つまり読み手側の認知状態}が用いられることは少ない．\modified{これらを適切に区別して，識別することが重要である．特に，読み手の側の情報状態は，自動要約や情報抽出の利用者の側の観点である．さらにその推定には読み手の側の何らかの手がかりをモデルに考慮することが必要になると考える．}言語処理的な解決手法として，大規模テキストから世界知識を獲得して情報状態を推定する方法が考えられる一方，読み手の反応を手がかりとして共有性を直接推定する方法\modified{が}考えられる．\modified{読み手の反応に基づいて，読み手側の解釈に基づく日本語の情報状態の分析は殆どない．}そこで，本稿では，対象とする読み手に対する情報の状態が設定されているであろう新聞記事に対する読み時間データが，名詞句の情報の状態とどのような関係があるのかを検討する．もし読み時間が名詞句の情報の状態と何らかの関係があるのであれば，視線走査装置などで計測される眼球運動などから，情報の状態を推定することも可能であると考える．\modified{特に共有性は読み手の側の情報状態であるにかかわらず，既存の日本語の言語処理では読み手の側の特徴量を用いず推定する手法が大勢であった．}\modified{なお，本研究の主目的は冠詞選択にはなく，日本語の名詞句の情報状態を推定することにある．その傍論として既存の冠詞選択手法が定・不定などの名詞句の特性と本稿で扱う書き手・読み手で異なる情報状態とで差異があり，言語処理の分野において不適切に扱われてきた点について言及する．}\modified{以下，2節では関連研究を紹介する．3節に情報状態の概要について示す．4節に読み時間の収集方法について示す．5節では今回利用する読み時間データおよび情報の状態アノテーションデータと分析手法について示す．6節で実験結果と考察について示す．7節で結論と今後の方向性について示す．}
V26N01-03	近年，ソーシャルニュースサイトや討論ポータルの発展に伴い，様々な話題がオンライン上で議論されるようになった．これら議論は世の中の貴重な意見を含んでいるが，分析には関連する複数の投稿・発言の内容を理解する必要がある．これまでも対話行為の分析\cite{Stolcke2000,Bunt2010}を発展させ，議論を談話行為に基づいて分析するアプローチが提案されてきた．議論における談話行為の自動的な分類は，情報アクセスや要約の改善に寄与できると考えられている．このため，電子メール\cite{Cohen2004,Carvalho2005,Carvalho2006,Hu2009,Omuya2013}，ニュースグループ\cite{Wang2007}，技術電子掲示板\cite{Kim2010b,Wang2011,Bhatia2012,Liu2017}，ソーシャルニュース\cite{Zhang2017}等の談話行為・対話行為が既存の研究で対象とされてきた．議論において談話行為・対話行為を分類する際には，議論のパターンを取り入れることの重要性がたびたび指摘されてきた．投稿間の関係・リンク\cite{Carvalho2005,Hu2009}，投稿の位置・深さ\cite{Wang2007,Kim2010a,Kim2010b,Wang2011,Bhatia2012,Zhang2017,Liu2017}等のパターン情報は，確率的なグラフィカルモデル，構造学習モデル，系列学習モデル等と組み合わせて利用されてきた．これらアプローチは談話行為の分類において有効性を示したが，分類モデルにパターン情報を取り入れるためにタスク依存のパターン素性を設計する必要があった．本稿では議論のパターンをニューラルネットワークを用いて取り入れるモデルを提案する．近年，ニューラルネットワークを用いて木構造\cite{Socher2011,Socher2014,Tai2015}やグラフ構造\cite{Defferrard2016,Kipf2017}を学習する有効性が示されている．提案モデルではパターン素性を設計せずに，木構造学習層とグラフ構造学習層を用いて議論のパターンを学習する．既存の研究では様々な対象の談話行為・対話行為が分類されてきたが，本稿ではReddit\footnote{https://www.reddit.com/}の談話行為の分類に提案モデルを適用する．Redditは大規模なソーシャルニュースサイトであり，数多くのトピックについて日々議論が行われている．議論はスレッド単位で行われ，トピックを提供する最初の投稿および投稿に対する返信の連鎖で構成される．提案モデルの評価では\citeA{Zhang2017}の$9$種類の談話行為を対象にする．$9$種類の談話行為は{\itAnswer}，{\itElaboration}，{\itQuestion}，{\itAppreciation}，{\itAgreement}，{\itDisagreement}，{\itHumor}，{\itAnnouncement}，{\itNegativeReaction}であり，図\ref{fig:example}にこれら談話行為の例を示す．本稿では次の二つの理由でRedditを対象とした．第一に，Reddit上での議論は投稿をノード，返信関係をエッジとした木構造およびグラフ構造として表すことができる．第二に，公開されているRedditの談話行為が付与されたコーパスは大規模であり，ニューラルネットワークを用いて木構造やグラフ構造を学習するのに適している．本稿の貢献には以下の三点が挙げられる：\begin{enumerate}\item投稿間の構造に対応した，木構造学習層とグラフ構造学習層を含むモデルを提案する．\item談話行為の分類性能において，提案モデルが従来のパターン素性と系列学習を組み合わせたモデルを上回ることを示す．\item提案モデルの中間層を注意機構を通じて分析し，談話行為の分類に有効な構造を確認する．\end{enumerate}本稿の以降の章では次の内容を述べる．\ref{sec:related}章で提案モデルの関連研究を紹介し，モデルの詳細を\ref{sec:model}章で述べる．\ref{sec:exp}章で提案モデルを用いた評価実験を報告し，結果を\ref{sec:discuss}章で考察する．最後に\ref{sec:conc}章では本稿をまとめ，さらに今後の展望を述べる．\begin{figure}[t]\begin{center}\includegraphics{26-1ia3f1.eps}\end{center}\hangcaption{Redditを対象とした談話行為の例．各丸はスレッド中の投稿，赤色は最初の投稿，青色は返信の投稿，矢印は返信を表している．最初の質問({\itQuestion})が答え({\itAnswer})とユーモア({\itHumor})の返信を受けており，答えの一つはさらに謝辞({\itAppreciation})と追加情報({\itElaboration})の返信を受けている．}\label{fig:example}\end{figure}
V23N05-05	\label{sec:intro}\subsection{研究背景}\label{sec:background}言語は，人間にとって主要なコミュニケーションの道具であると同時に，話者集団にとっては社会的背景に根付いたアイデンティティーでもある．母国語の異なる相手と意思疎通を取るためには，翻訳は必要不可欠な技術であるが，専門の知識が必要となるため，ソフトウェア的に代行できる機械翻訳の技術に期待が高まっている．英語と任意の言語間での翻訳で機械翻訳の実用化を目指す例が多いが，英語を含まない言語対においては翻訳精度がまだ実用的なレベルに達していないことが多く，英語を熟知していない利用者にとって様々な言語間で機械翻訳を支障なく利用できる状況とは言えない．人手で翻訳規則を記述するルールベース機械翻訳(Rule-BasedMachineTranslation;RBMT\cite{nirenburg89})では，対象の2言語に精通した専門家の知識が必要であり，多くの言語対において，多彩な表現を広くカバーすることも困難である．そのため，近年主流の機械翻訳方式であり，機械学習技術を用いて対訳コーパスから自動的に翻訳規則を獲得する統計的機械翻訳(StatisticalMachineTranslation;SMT\cite{brown93})について本論文では議論を行う．対訳コーパスとは，2言語間で意味の対応する文や句を集めたデータのことを指すが，SMTでは学習に使用する対訳コーパスが大規模になるほど，翻訳結果の精度が向上すると報告されている\cite{dyer08}．しかし，英語を含まない言語対などを考慮すれば，多くの言語対において，大規模な対訳コーパスを直ちに取得することは困難と言える．このような，容易に対訳コーパスを取得できないような言語対においても，既存の言語資源を有効に用いて高精度な機械翻訳を実現できれば，機械翻訳の実用の幅が大きく広がることになる．特定の言語対で十分な文量の対訳コーパスが得られない場合，中間言語(\textit{Pvt})を用いたピボット翻訳が有効な手法の一つである\cite{gispert06,cohn07,zhu14}．中間言語を用いる方法も様々であるが，一方の目的言語と他方の原言語が一致するような2つの機械翻訳システムを利用できる場合，それらをパイプライン処理する逐次的ピボット翻訳(CascadeTranslation\cite{gispert06})手法が容易に実現可能である．より高度なピボット翻訳の手法としては，原言語・中間言語(\textit{Src-Pvt})と中間言語・目的言語(\textit{Pvt-Trg})の2組の言語対のためにそれぞれ学習されたSMTシステムのモデルを合成し，新しく得られた原言語・目的言語(\textit{Src-Trg})のSMTシステムを用いて翻訳を行うテーブル合成手法(Triangulation\cite{cohn07})も提案されており，この手法で特に高い翻訳精度が得られたと報告されている\cite{utiyama07}．これらの手法は特に，今日広く用いられているSMTの枠組の一つであるフレーズベース機械翻訳(Phrase-BasedMachineTranslation;PBMT\cite{koehn03})について数多く提案され，検証されてきた．しかし，PBMTにおいて有効性が検証されたピボット翻訳手法が，異なるSMTの枠組でも同様に有効であるかどうかは明らかにされていない．例えば英語と日本語，英語と中国語といった語順の大きく異なる言語間の翻訳では，同期文脈自由文法(SynchronousContext-FreeGrammar;SCFG\cite{chiang07})のような木構造ベースのSMTによって高度な単語並び替えに対応可能であり，PBMTよりも高い翻訳精度を達成できると報告されている．そのため，PBMTにおいて有効性の知られているピボット翻訳手法が，SCFGによる翻訳でも有効であるとすれば，並び替えの問題に高度に対応しつつ直接\textit{Src-Trg}の対訳コーパスを得られない状況にも対処可能となる．\begin{figure}[t]\begin{center}\includegraphics{23-5ia5f1.eps}\end{center}\caption{2組の単語対応から新しい単語対応を推定}\label{fig:align-estimation}\end{figure}また，テーブル合成手法では，\textit{Src-Pvt}フレーズ対応と\textit{Pvt-Trg}フレーズ対応から，正しい\textit{Src-Trg}フレーズ対応と確率スコアを推定する必要がある．図\ref{fig:align-estimation}に示す例では，個別に学習された(a)の日英翻訳および(b)の英伊翻訳における単語対応から，日伊翻訳における単語対応を推定したい場合，(c)のように単語対応を推定する候補は非常に多く，(d)のように正しい推定結果を得ることは困難である．その上，図\ref{fig:align-estimation}(c)のように推定された\textit{Src-Trg}の単語対応からは，原言語と目的言語の橋渡しをしていた中間言語の単語情報が分からないため，翻訳を行う上で重要な手がかりとなり得る情報を失ってしまうことになる．このように語義曖昧性や言語間の用語法の差異により，ピボット翻訳は通常の翻訳よりも本質的に多くの曖昧性の問題を抱えており，さらなる翻訳精度の向上には課題がある．\subsection{研究目的}\label{sec:purpose}本研究では，多言語機械翻訳，とりわけ対訳コーパスの取得が困難である少資源言語対における機械翻訳の高精度化を目指し，従来のピボット翻訳手法を調査，問題点を改善して翻訳精度を向上させることを目的とする．ピボット翻訳の精度向上に向けて，本論文では2段階の議論を行う．第1段階目では，従来のPBMTで有効性の知られているピボット翻訳手法が異なる枠組のSMTでも有効であるかどうかを調査する．\ref{sec:background}節で述べたように，PBMTによるピボット翻訳手法においては，テーブル合成手法で高い翻訳精度が確認されているため，木構造ベースのSMTであるSCFGによる翻訳で同等の処理を行うための応用手法を提案する．SCFGとテーブル合成手法によるピボット翻訳が，逐次的ピボット翻訳や，PBMTにおけるピボット翻訳手法よりも高い精度を得られるどうかを比較評価することで，次の段階への予備実験とする\footnote{\label{fn:papers}本稿の内容の一部は，情報処理学会自然言語処理研究会\cite{miura14nl12,miura15nl07}およびACL2015:The53rdAnnualMeetingoftheAssociationforComputationalLinguistics\cite{miura15acl}で報告されている．本稿では，各手法・実験に関する詳細な説明，中国語やアラビア語など語族の異なる言語間での比較評価実験や品詞毎の翻訳精度に関する分析を追加している．}．第2段階目では，テーブル合成手法において発生する曖昧性の問題を解消し，翻訳精度を向上させるための新たな手法を提案する．従来のテーブル合成手法では，図\ref{fig:align-estimation}(c)に示したように，フレーズ対応の推定後には中間言語フレーズの情報が失われてしまうことを\ref{sec:background}節で述べた．この問題を克服するため，本論文では原言語と目的言語を結び付けていた中間言語フレーズの情報も翻訳モデル中に保存し，原言語から目的言語と中間言語へ同時に翻訳を行うための確率スコアを推定することによって翻訳を行う新しいテーブル合成手法を提案する．通常のSMTシステムでは，入力された原言語文から，目的言語における訳出候補を選出する際，文の自然性を評価し，適切な語彙選択を促すために目的言語の言語モデル（目的言語モデル）を利用する．一方，本手法で提案する翻訳モデルとSMTシステムでは，原言語文に対して目的言語文と中間言語文の翻訳を同時に行うため，目的言語モデルのみではなく，中間言語の言語モデル（中間言語モデル）も同時に考慮して訳出候補の探索を行う．本手法の利点は，英語のように中間言語として選ばれる言語は豊富な単言語資源を得られる傾向が強いため，このような追加の言語情報を翻訳システムに組み込み，精度向上に役立てられることにある\footnoteref{fn:papers}．
V24N04-01	近年，対話の内容を特定のタスクに限定しない自由対話システムの研究が盛んに行われている\cite{Libin:04:a,Higashinaka:14:a}．対話システムの重要な要素技術の1つにユーザの発話の対話行為の自動推定がある．対話行為の推定は自由対話システムにおいて重要な役割を果たす．例えば，対話行為が「質問」の発話に対しては知識ベースから質問の回答を探して答えたり，映画の感想を述べているような「詳述」の発話に対しては意見を述べたり単にあいづちを返すなど，対話システムは相手の発話の対話行為に応じて適切な応答を返す必要がある．対話行為の推定手法として機械学習を用いた手法が既に提案されている\cite{milajevs:14:a,isomura:09:a,sekino:10:a,kim:10:a,Meguro:13:a}．しかし，機械学習に用いる特徴\footnote{本稿では，機械学習による識別のために用いる情報の種類（タイプ）のことを「特徴」，その具体的な情報のことを「特徴量」と呼ぶ．例えば，「単語3-gram」は特徴，「思い+ます+か」はその特徴量である．}を設定する際，個々の対話行為の特質が十分に考慮されていないという問題点がある．既存研究の多くは，対話行為の自動推定を多値分類問題と捉え，対話行為の分類に有効と思われる特徴のセットを1つ設定する．しかし，機械学習の特徴の中には，ある特定の対話行為の分類にしか有効に働かないものもある．例えば，ユーザの発話の対話行為が（質問に対する）「応答」であるかを判定するためには，発話者が交替したかという特徴は重要だが，対話行為が「質問」であるかを判定するためには，相手の発話の後に質問することもあれば自身の発話に続けて質問することもあるので，話者交替は重要な特徴とは考え難い．本論文では，上記の問題に対し，対話行為毎に適切な特徴のセットを設定することで個々の対話行為の推定精度を改善し，それによって全体の対話行為推定の正解率を向上させる手法を提案する．
V21N05-03	句に基づく統計的機械翻訳\cite{Koehn:03}が登場し，仏英などの言語対における機械翻訳性能は大きく向上した．その一方で，文の構文構造が大きく異なる言語対（日英など）において，長距離の単語並べ替えを上手く扱うことができないという問題がある．近年，この問題を解決するため，同期文脈自由文法\cite{Wu:97,Chiang:05}や木トランスデューサ\cite{Graehl:04,Galley:06}により，構文情報を使って単語並べ替えと訳語選択を同時にモデル化する研究が活発化している．しかし，単語アライメントや構文解析のエラーを同時にモデルへ組み込んでしまうため，句に基づく手法と比較して，いつでもより良い性能を達成できているわけではない．これらの研究と並行して，事前並べ替え法\cite{Collins:05,Isozaki:12}や事後並べ替え法\cite{Sudoh:11,Goto:12}に関する研究も盛んに行われている．これらの手法は単語並べ替えと訳語選択の処理を分けてモデル化し，語順が大きく異なる言語対で，句に基づく手法の翻訳性能を大きく向上させられることが報告されている．特に，文献\cite{Isozaki:12}で提案された主辞後置変換規則による事前並べ替え法は，特許文を対象とした英日翻訳で高い性能を達成している\cite{Goto:09,Goto:10}．この規則はある言語（本稿では英語を仮定する）を日本語（主辞後置言語）の語順へと変換するものであるが，文献\cite{Sudoh:11}では，主辞後置変換規則によってできた日本語語順の英語文を元の英語文へと復元するためのモデルを構築し，主辞後置変換規則の利点を日英翻訳へと適用可能にしている（事後並べ替え法）．文献\cite{Goto:12}では事後並べ替えを構文解析によってモデル化している．この手法は，1言語の上で定義されたInversionTransduction文法(ITG)\cite{Wu:97}\footnote{ITGは2言語の構文解析(biparsing)を扱う枠組みであるが，単語並べ替え問題では原言語の単語と目的言語の訳語を同じと考えることができるため，1言語の上で定義された通常の構文解析として扱える．}にBerkeley構文解析器を適用することで，単語並べ替えを行う．また，主辞後置変換規則では日英単語アライメント性能を向上させるため，データから英冠詞を除去する．そのため，翻訳結果に冠詞生成を行う必要があり，文献\cite{Goto:12}では，構文解析による単語並べ替えとは独立して，$N$-gramモデルによる冠詞生成法を提案している．文献\cite{Goto:12}の手法は，Berkeley構文解析器の解析速度の問題や冠詞生成を独立して行うことから，解析効率や精度の点で大きな問題が残る．本稿では，この構文解析に基づく事後並べ替えの新たな手法を提案し，解析効率，及び，翻訳性能の改善をはかる．提案手法はシフトリデュース構文解析法に基づいており，文献\cite{Goto:12}で利用された段階的枝刈り手法によるBerkeley構文解析\cite{Petrov:07}と比べて，次の利点を持つ．\begin{itemize}\item[1]線形時間で動作し，高速で精度の高い単語並べ替えが可能．\item[2]並べ替え文字列の$N$-gram素性（非局所素性に該当）を用いても計算量が変わらない．\item[3]アクションを追加するだけで，並べ替えと同時に語の生成操作などが行える．\end{itemize}1と2の利点は，解析効率における利点，また，2と3は翻訳性能を向上させる上での利点となる．特に，3つ目の利点を活かして，単語並べ替えと冠詞生成問題を同時にモデル化することが，提案法の最も大きな新規性と言える．本稿では，日英特許対訳データを使って，提案手法が従来手法を翻訳速度，性能の両面で上回ることを実験的に示す．以下，第2章では構文解析による事後並べ替えの枠組み，第3章では提案手法，第4章では実験結果について述べる．第5，6章では研究の位置付けとまとめを行う．
V02N01-02	我々が目標とするのは，日本語の複文の理解システムである．このようなシステムにおいては，{\bfゼロ代名詞}の照応の解析が重要な問題となり，例えば「ので」「から」などで接続された複文におけるゼロ代名詞照応の解析は，構文論，意味論，語用論の総合的な利用が要求される．文献\cite{中川:複文の意味論,COLING94}では，複文中に設定される意味および談話役割を用いた制約条件という形でこの問題を取り扱うことが提案されている．これは，ゼロ代名詞と対応する役割(動作主，経験者など)だけではなく，語用論的な役割(観察者など)の照応にも言及する制約であり，これによって，意味論および語用論を統合した形での複文の意味解析が可能である．ところで，意味役割や語用論的役割の照応解析の結果は，役割間での照応関係という形で得られるが(例えば，``観察者=動作主''など)，実際にそれらの役割がどのような対象を指示するかは文脈情報を利用しないと決定できない場合が多い．つまり，各役割を変数とみなした場合，変数の値が決定されているわけではないが，別の変数との関係づけがなされている，という情報を解析の途中および結果として扱う必要がある．このような場合に用いられる方法論の一つとして，制約論理プログラミング\cite{橋田:情報の部分性}が考えられる．この場合，変数の間の関係(同値関係など)をその変数の持つ制約とみなすことにより，適用が可能である．そこで，著者らは，まず形態素解析システムJUMAN\cite{松本:NewJUMANmanual}および構文解析システムSAX\cite{松本:NewSAXmanual}を用い，その結果得られる素性構造に制約論理プログラミングの手法を用いて，ゼロ代名詞照応などを分析する理解システムを構築した．この理解システムでは，プログラム変換の手法を用いた制約変換システム\cite{森:否定情報の扱える制約システム}を利用している．このシステムで扱える文は，例えば「花子が暑がったので窓を開けた．」など，文献\cite{中川:複文の意味論,COLING94}で扱った複文の一部であり，日本語文全体からみてもその対象は非常に限定されるが，文献\cite{中川:複文の意味論,COLING94}で扱われている他の文，例えば「叱られたので，反省文を書かせた．」，「病気で苦しかったのに，会社を休めなかった．」などについても，本論文で述べる手法により，処理が可能である．また，他の種類の複文，例えば「傷が痛いのなら，病院に行く．」など従属節が条件節になるような複文に関しても，節間の制約を適切に記述できれば，本論文での手法の応用は可能である．なお，本システムに類する研究であるが，まず，本システムで参考としているような日本語文の構造をもとにし，LFG(語彙機能文法)の枠組を用いて記述したシステムが，文献\cite{水野:日本語の文の構造}に述べられている．これは，日本語文の発話構造を叙述部分と陳述部分に分けて階層化し，それをLFGによって記述するものである．この構造は本論文で参考としている日本語の階層構造(後で述べる)に類似したものであり，さらに，その枠組上で複文の構造的な特徴についても議論がなされている．しかし，その検討の対象が構文解析のレベルに限定されており，本論文によるシステムで扱っているような，意味役割や語用論的役割の照応解析といったレベルまでは扱っていない点が異なる．また，名詞や代名詞の照応解析を対象とした研究としては，例えば，文献\cite{清水:日本語談話の照応解決}で，視点や焦点といった語用論的概念を用いた議論が，解析システムの構築を前提としてなされている．しかし，第一文の解析結果を用いて，第二文以降に現れる名詞や代名詞の照応解析を行なう，という議論がなされており，本論文で扱うような，従属節と主節という構造が一文中に現れるような場合の，その一文中での照応関係の解析を行なう，というものではない．
V10N04-09	日本語のテンス・アスペクトは，助動詞「タ/テイル/テアル/シツツアル/シテイク/…」などを付属させることによって表現される．中国語では「了/着/\kanji{001}(過)/在」などの助字がテンス・アスペクトの標識として用いられるが，テンス・アスペクトを明示的に表示しない場合も多い．言語学の側からの両言語のテンス・アスペクトに関する比較対照の先行研究においては，次のような文献がある．\begin{enumerater}\renewcommand{\labelenumi}{}\renewcommand{\theenumi}{}\item\cite{Ryu1987}は両言語の動詞を完成と未完成に分類しながら，「タ」と「了」の意味用法を対比した．\item\cite{Cho1985}は，「了」と「た」の対応関係を描き，その微妙に似通ったり，食い違ったりする原因，理由を探している．\item\cite{Shu1989}は，「タ」と「了」のテンス・アスペクトの性格について論じている．\item\cite{Oh1996}は，「シテイル」形の意味用法を基本にして，日本語動詞の種別に対する中国語の対応方法を考察している．\item\cite{Ryu2000}は，中国語の動詞分類によって，意味用法上で日本語のテンス・アスペクトと中国語のアスペクト助字との対照関係を述べている．\\\end{enumerater}これらの言語学側の先行研究では，日中両言語間のテンス・アスペクト表現の対応の多様性（すなわち曖昧性）を示すと同時に，動詞の時間的な性格や文法特徴の角度から曖昧性を解消する方法も論じている．しかしながらこれらの先行研究では，例えば「回想を表す場合」や「動作が完了或いは実現したことを表す場合」などといった表現での判断基準を用いており，そのまま計算機に導入することは難しい．すなわち，これらの判断基準は人間には了解できても，機械にとっては「どのような場合が回想を表す場合であるのか」「どのような場合が完了あるいは実現したことを表す場合であるのか」は分からない．本論文では，機械翻訳の立場から，日本語のテンス・アスペクト助辞である「タ/ル/テイル/テイタ」に対して，中国語側で中国語のテンス・アスペクト用助字である「了/着/\kanji{001}(過)/在」を付属させるか否かについてのアルゴリズムを考案した．その際，\maru{4}では日本語述語の時間的性格を分析して中国語への対応を論じているが，我々は日中機械翻訳においては対応する中国語の述語はすでに得られていると考えてよいから，中国語の述語の時間的性格も同時に判断の材料としてアルゴリズムに組み込んだ．そのほか両言語における述語のいくつかの文法特徴や共起情報も用いた．以下，第2章で両言語におけるテンス・アスペクト表現の意味用法およびその間の対応関係についてまとめ，第3章で，「タ/ル/テイル/テイタ」と中国語アスペクト助字の対応関係を定めるアルゴリズムについて述べた．さらに第4章で，作成した翻訳アルゴリズムの評価を手作業で行った結果を説明し，誤った箇所について分析も行った．評価の結果は約8割の正解率であった．
V10N05-02	\label{one}近年，音声認識技術や言語処理技術，計算機の処理能力の向上により，情報検索をはじめとする各種タスクを音声認識を介して実現する音声対話インタフェースへの期待が急速に高まっている\cite{NielsenAndBaekgaard1992,Godden1994,Zue1994,ZeiglerAndMazor1995,Godden1996,FergusonAndAllen1998,Nakano1999}．同時に，音声対話インタフェース実現のための対話制御方式も数多く提案されている\cite{Niimi1995a,Niimi1995b,Niimi1997,Niimi1998,KikuchiAndShirai2000,Chu-Carroll2000}．音声による入力は，操作に熟練を必要としないため利用者にとっては使い勝手が良く，入力速度はキー入力に比べ3〜4倍，手書き文字入力に比べ8〜10倍速いと言われている\cite{Hurui1998}．更に，他の器官を同時に使っての並行作業が可能であるという利点を有する．また，サービス提供者にとってはオペレータコストの削減に繋がる．実用サービスのフロントエンドとして音声認識を適用するためには，不特定多数の話者の入力に対して，迅速かつ正確に応答する必要がある．音声認識の性能は，発話様式によって大きな影響を受けることが指摘されている\cite{MurakamiAndSagayama1991}．最も単純なシステム主導，一問一答形式の単語認識でも，対象単語数が増えるほど誤認識は避けられず処理時間を要する．更に，音声認識は利用される環境や発話状況により誤認識を生じる場合も多く，公衆電話網は帯域が狭いため認識精度が落ちる．我々は，顧客が入力する住所や姓名の確定をタスクとする音声対話インタフェースの実現に向け，検討を進めている．音声認識技術においてエンジンの出力結果が正しいか否かを判断するには，発話者本人に正誤を確認するしか方法はない．特に，不特定多数の話者が入力する住所や姓名などの大語彙を認識対象とする場合，正確な応答を返すことは困難である．音声対話インタフェースの現状は，(1)~個々の質問において利用者が予期しない対象への誤認識が多い~(2)~正誤確認と誤認識を修正するための再入力要求が繰り返される，という2つの要因から利用者満足度が獲得できていない．従って，音声対話インタフェースの実用化のためには，上記2つの要因解決が必須となる．本稿は，上記要因~(1)~の解決に焦点を当て，人間が発話を聞き取る際の傾向に着目し「思い込み応答」という聞き取り結果の確認手法を提案する．そして思い込みによる認識結果の確認が，入力対象が大語彙であっても利用者にストレスを与えないことを検証する．この思い込み応答は音声入力の応答に特化したものではないが，本稿では音声入力を例として以下議論を進める．その他への適用については\ref{six}\,章の今後の課題で述べる．以下\ref{two}\,章では，大語彙を対象とした音声対話インタフェースの現状の課題について述べる．\ref{three}\,章では人間の対話における思い込み戦略を検証し，\ref{four}\,章では，市販の認識エンジンを用いて思い込み対象の選択方法について分析する．\ref{five}\,章では，思い込み戦略を取り入れた聞き取り確認手法を提案し，実装及び評価を通してその有効性を検証する．最後に\ref{six}\,章にて，まとめ及び今後の課題について述べる．
V08N03-03	統計情報に基づく自然言語処理では，訓練データとしてのコーパスの影響は非常に大きい．形態素情報や品詞情報等の情報を付加したコーパスを利用することで処理の精度の向上や処理の簡略化等が期待できるが，情報を付加する段階での労力が大きく，その精度に結果が大きく左右されるという問題がある．生コーパスをそのまま利用する場合には，コーパスの取得が容易であるため，目的に合ったドメインのコーパスを大量に入手できるという利点がある．しかし，生コーパスは未登録語や未知の言い回し，非文とされるような文の出現等を多く含むことがほとんどであり，これらが処理の精度の低下を招くという問題がある．コーパスから得た情報を利用するようなシステムの場合，処理の基本は意味のある言語単位であるから，まずこれを正しく認識することが先の処理の精度の向上に必要である．日本語のように意味のある言語単位ごとの区切り目が明らかでない言語では，まずこれを認識することが処理の第一段階であると言っても過言ではない．そこで，本稿では，生コーパス中の意味のある文字列を推測し認識することで結果的にコーパス中の未登録語を推定するシステムを提案する．本システムは，対象となるドメインの訓練用コーパスから取得した文字間共起情報を利用して，入力コーパス中の意味のある文字列を認識しこれを出力する．訓練用コーパス，テストコーパスともに事前のタグ付けは必要としない．
V20N02-06	情報検索や情報抽出において，テキスト中に示される事象を実時間軸上の時点もしくは時区間に関連づけることが求められている．Web配信されるテキスト情報に関しては，文書作成日時(DocumentCreationTime:DCT)が得られる場合，テキスト情報と文書作成日時とを関連づけることができる．しかしながら，文書作成日時が得られない場合や，文書に記述されている事象発生日時と文書作成日時が乖離する場合には他の方策が必要である．テキスト中に記述されている時間情報解析の精緻化が求められている．時間表現抽出は，固有表現抽出の部分問題である数値表現抽出のタスクとして研究されてきた．英語においては，評価型国際会議MUC-6(thesixthinaseriesofMessageUnderstandingConference)\cite{MUC6}で，アノテーション済み共有データセットが整備され，そのデータを基に各種の系列ラベリングに基づく時間表現の切り出し手法が開発されてきた．TERN(TimeExpressionRecognitionandNormalization)\cite{TERN}では，時間情報の曖昧性解消・正規化がタスクとして追加され，様々な時間表現解析器が開発された．さらに，時間情報表現と事象表現とを関連づけるアノテーション基準TimeML\cite{TimeML}が検討され，TimeMLに基づくタグつきコーパスTimeBank\cite{TimeBank}などが整備された．2007年には，時間情報表現—事象表現間及び2事象表現間の時間的順序関係を推定する評価型ワークショップSemEval-2007のサブタスクTempEval\cite{TempEval}が開かれ，種々の時間的順序関係推定器が開発された．後継のワークショップSemEval-2010のサブタスクTempEval-2\cite{TempEval2}では，英語だけでなく，イタリア語，スペイン語，中国語，韓国語を含めた\modified{5}言語が対象となった．\modified{2013年に開かれるSemEval-2013のサブタスクTempEval-3では，データを大規模化した英語，スペイン語が対象となっている．}一方，日本語においてはIREX(InformationRetrievalandExtractionExercise)ワークショップ\cite{IREX}の固有表現抽出タスクの部分問題として時間情報表現抽出が定義されているのみで，時間情報の曖昧性解消・正規化に関するデータが構築されていなかった．そこで，我々はTimeMLに基づいた日本語に対する時間情報アノテーション基準を定義し，時間情報の曖昧性解消・正規化を目的とした時間情報タグつきコーパスを構築した．\modified{他言語のコーパスが新聞記事のみを対象としているのに対し，本研究では均衡コーパスである『現代日本語書き言葉均衡コーパス』(BalancedCorpusofContemporaryWrittenJapanese;以下``BCCWJ'')を対象としており，新聞記事だけでなく，一般書籍・雑誌・ブログなどに出現する多様な時間情報表現を対象としている．本稿ではアノテーション基準を示すとともに，アノテーションしたコーパスの詳細について示す．}以下，2節では時間情報表現についての背景について概観する．3節では，対象とする時間情報表現について詳しく述べる．4節では策定した日本語時間情報表現に対するアノテーション基準を示す．\modified{5節でアノテーションにおける日本語特有の問題について説明する．}\modified{6節でアノテーション作業環境を示す．}\modified{7}節で実際にアノテーションしたコーパスの分析を行う．最後にまとめと今後の課題を示す．
V24N01-04	インターネットを通じたサービス利用はスマートフォンの普及を背景に近年ますます増加している\cite{ictbook2014}．スマートフォンでの各種サービスの利用はこれまでのPCを経由して利用するインターネットサービスに比べて，画面の大きさや操作性という面で大きく制限されており，サービス提供者はスマートフォンに合わせたユーザ体験を新たに構築する必要に迫られている．このような背景の中で推薦システムに注目が集まっている．推薦システムはユーザの興味関心に合わせて商品などを提示することを目的としたシステムであり，Amazon\footnote{http://www.amazon.com/}での商品推薦や,Facebook\footnote{https://www.facebook.com/}での友人推薦をはじめとして幅広く利用されている．画面の大きさや操作性が制限されているスマートフォンにおいて，推薦システムを用いてユーザに合わせて最適な選択肢を提示することでユーザ体験を大きく改善することが期待されており，今後様々な場面での利用が進んでいくと考えられる．このような背景から推薦システムのユーザ体験に関する研究が近年注目を集めており，その中で重要だと言われている指標の1つに多様性(Diversity)がある．推薦システムが悪いとそのサービスが悪いとみなされると指摘されており\cite{cosley2003}，推薦システムのユーザ体験を考慮することはそのサービス設計のためにも重要である．多様性がユーザにもたらす影響についてはZieglerらの研究がよく知られており\cite{ziegler2005}，多様性を含んだリストをユーザに提示するとユーザは自分に最適化されていないものが含まれていることは認識するが，多様性が含まれたものを好むという結果が報告されている．また推薦システムについてはFilterBubbleという問題が指摘されているが，その問題への対応のためにも推薦リストの多様性が重要であると言われている\cite{Pariser2011}．ジャーナリストであるイーライ・パリサーは検索エンジンやSNS(SocialNetworkService)が推薦システムの技術を用いてパーソナライズ化されていくことに対して，情報のタコツボ化が起こることを懸念し，人々が正しい意思決定をすることを阻害していると警鐘を鳴らした．その動きに対応して推薦システムに関する国際会議であるRecsys\footnote{https://recsys.acm.org/}では，2011年にFilterBubbleに関するワークショップを開催し，FilterBubble問題に関する見解を示した\cite{filterbubble}．その中でFilterBubbleとパーソナライズはトレードオフであること，すべての情報を人が網羅することは不可能なのでフィルタリング技術は必要であることを指摘した上で，推薦システムを作る過程において，そのシステムの説明性，透明性を担保すること，推薦される個々のアイテムだけでなくリスト全体を評価し，多様性も考慮して設計することが必要であるとした．このような背景から近年推薦システムを構築する上で多様性を考慮することは一般的になったが，推薦結果の多様性がユーザやサービスにどのような影響をあたえるかについては分かっていない点が多い．多様性に関する研究の多くは多様性がユーザ体験を向上させるという前提に立っているが，その根拠はユーザへのアンケートによるものであり，サービスにどのような形で利益をもたらすかについては明らかになっていない．これは推薦システム研究の多くが過去のデータを用いたオフラインテストで行われており，実際にサービス上でシステムを提供して比較した例が少ないことが要因である．本研究の目的は推薦システムを用いて提供されているサービスに対して多様性を導入し，推薦結果の多様性がユーザに与える影響について明らかにすることである．本研究ではウェブページ推薦システムを提供しているグノシー\footnote{http://gunosy.com}というサービスにおいて，推薦システムに多様性を導入しそのユーザ行動への影響について報告する．まず多様性がない既存システムにおけるユーザの行動を分析し，どのような特性をもったシステムであるかを示した．その上で多様性を導入したユーザ減衰モデルを構築した上で実際にサービス上でユーザに対して提供し，既存システムとの比較を行った．その結果多様性がサービスの継続率の改善や利用日数の増加という形でユーザの満足度を高めていることを示した．これはユーザは多様性を含むリストの方を好むという従来研究で指摘されていた点がサービス上においても有用に働くことを示したといえる．また利用日数が浅い段階ではユーザがクリックするウェブページの数は既存システムと同程度であるが，利用日数が増えるにしたがって多様性をもったユーザ減衰モデルのほうがクリックするウェブページの数が増えていくことを明らかにした．そして多様性のない既存システムでは，利用日数が増えるに従って推薦リスト下部のクリック率が下がっていくのに対して，多様性を取り入れたユーザ減衰モデルでは，推薦リスト下部のクリック率が向上していくことを示した．これは従来研究は確認できなかった多様性の中長期における影響を示したものである．本研究では実際に事業として開発・運用されているウェブサービスを利用しているため，ビジネス上の制約により用いている手法をすべて公開することはできない．既存システムのユーザ行動の分析によって推薦システムとして有効に作用していることを示すことによってその代わりとしたい．本研究の目的は多様性がユーザ体験にどのような影響を与えるかについて論じることであり，手法が非公開であることが本研究の結果に与える影響は軽微であると考える．以下に本論文の構成を示す．\ref{sec:related}章に関連研究と本研究の位置付けを示す．\ref{sec:gunosy}章において本研究で利用するグノシーというサービスと，そこで用いられている推薦システムについて紹介し，そのシステムのユーザ行動とその課題について分析する．\ref{sec:purpose}章で前章で述べた課題を元に推薦システムに多様性を導入する方法について述べる．\ref{sec:experience}章で既存システムと比較手法の比較実験を行い，推薦システムの多様性がサービスにもたらす影響について考察し，\ref{sec:conclusion}章で本研究のまとめを行う．
V13N01-01	\label{はじめに}高精度の機械翻訳システムや言語横断検索システムを構築するためには，大規模な対訳辞書が必要である．特に，専門性の高い文書や時事性の高い文書を扱う場合には，専門用語や新語・造語に関する対訳辞書の有無が翻訳や検索の精度を大きく左右する．人手による対訳辞書の作成はコスト及び時間がかかる作業であり，できるだけ自動化されることが望ましい．このような課題に対処するため，対訳文書から対訳表現を自動的に抽出する手法が数多く提案されている．この中でも，文対応済みの対訳文書から共起頻度に基づいて統計的に対訳表現を自動抽出する手法は，精度が高く，対訳辞書を自動的に作成する方法として有効である\cite[など]{北村97,山本2001,佐藤2002,佐藤2003}．本稿では，その中の一つである\cite{北村97}の手法をベースにし，従来手法の利点である高い抽出精度を保ちつつ，抽出できる対訳表現のカバレッジを向上させるために行った種々の工夫について論じ，その有効性を実験で示す．\begin{description}\item[(A)]文節区切り情報や品詞情報の利用\item[(B)]対訳辞書の利用\item[(C)]複数候補の対訳表現が得られた場合の人手による確認・選択\item[(D)]多対多の対応数を考慮に入れた対応度評価式\item[(E)]対訳文書の分割による漸進的な抽出\end{description}\noindentの5点である．これらを用いることで実用的な対訳表現抽出を行うことができる．(A)は，文節区切り情報や品詞情報を利用することにより，構文的に有り得ない表現が抽出候補にならないようにする．文節区切り情報の有効性は，既存の研究\cite{Yamamoto-Matsumoto:2003}において確かめられているが，彼らは抽出の対象を自立語に限定している．提案手法では，各単語における文節内の位置情報と品詞情報を用いて抽出の対象を制限することで，自立語以外の語も抽出の対象とする．(B)，(C)では，共起頻度に基づいた統計的な値のみでは対訳かどうかが判断できない場合，対訳辞書や人手を利用して対訳か否かを判断する手法である．過去の研究\cite{佐藤2003}では，対訳辞書は対訳文書から対訳関係にある単語ペアを見つけるための手がかりとして利用されることが多いが，本提案では，手がかりとするのではなく，統計的に抽出された対訳表現から適切な対訳表現だけを選り出すための材料として利用する．(D)では，原言語と目的言語の単語列間の対応関係の強さを示す尺度である{\bf対応度}の評価式を改良する．対応度の計算には，一般に重み付きDice係数やLog-Likelihoodなどの評価式が用いられるが，我々は従来手法\cite{北村97}の実験結果を分析した結果，Dice係数やLog-Likelihoodの評価式に対して，多対多の対応数を考慮した負の重み付けを行うことが効果的であると判断し，評価式を改良した．(E)は抽出時間に関する課題を解決する．従来手法では10,000文以上からなる対訳文書を抽出対象とする場合，原言語と目的言語単語列の組み合わせが多数生成されるという課題があった．提案手法ではその組み合わせ数を削減するために，対訳文書を一定の単位に分割し，抽出対象とする文書の単位を徐々に増やしていきながら抽出するという方法を採用する．対象とする対訳文を1,000文，2,000文，…，10,000文と徐々に増やす度に，抽出された対訳表現に関わる単語列を除去していく．その結果，対象の文が10,000文に達した時の単語列の組み合わせ数は，直接10,000文を対象にした場合の組み合わせ数より少なくなり，抽出時間を短縮させることができる．以下，\ref{従来}章では，従来手法\cite{北村97}における，原言語単語列と目的言語単語列間の対応度の計算方法と抽出アルゴリズムを説明する．\ref{提案}章では，本稿が提案する種々の工夫を採用した改良手法について述べる．\ref{実験}章では\ref{提案}章に述べた各手法の評価実験を報告し，その結果を考察する．\ref{関連研究}章では関連研究と比較し，\ref{まとめ}章でまとめる．

Subsets and Splits

No community queries yet

The top public SQL queries from the community will appear here once available.