JPH04321174A - 専門用語検出装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、複数の文章に含まれて
いる専門用語を検出する専門用語検出装置に関し、例え
ば、ある言語の文章（原文）を他の言語の文章（訳文）
に翻訳する機械翻訳システムに適用し得る。

【０００２】

【従来の技術】機械翻訳システムにおいては、ある特定
の分野の文章を翻訳する場合には、その分野の専門用語
辞書に格納されている専門用語の数や種類によって訳文
の品質が左右される。従って、訳文の質を向上するため
には専門用語辞書の構築が重要なポイントとなる。

【０００３】専門用語辞書の構築には、書籍や記録媒体
（例えばＣＤ−ＲＯＭ）でなる既存の専門用語辞書等を
流用して作成する方法がある。しかし、実際に翻訳する
文章内の専門用語とは食い違うものが多く、不要な専門
用語を含めて構築しているので効率的ではなく、また、
このように構築された専門用語の辞書を用いて翻訳して
も訳文の質は不十分である。

【０００４】そこで、翻訳に先立ち、翻訳しようとする
文章内にある専門用語を検出し、検出した専門用語につ
いて辞書登録することが考えられる。従来の機械翻訳シ
ステムが有する機能の範囲で効率的に専門用語を検出す
る方法は、その機械翻訳システムが有する辞書に単語の
情報があるか否かを調べる未知語検索（これについての
文献としては例えば『「辞書開発支援システム」、ＥＤ
Ｒ　　ＴＥＣＨＮＩＣＡＬ　ＲＥＰＯＲＴ、日本電子化
辞書研究所発行、１９９０年１１月』がある）を利用す
る方法が主であった。すなわち、未知語の多くが専門用
語であることを利用していた。

【０００５】

【発明が解決しようとする課題】しかし、未知語検索を
利用した従来の専門用語の検出方法では、検出し得ない
専門用語があるという欠点があった。例えば、コンピュ
ータ分野において、“ＬＩＳＰ”や“ＵＮＩＸ”（ベル
研究所の登録商標）等の名詞や、“ｓｕｂｒｏｕｔｉｎ
ｅ”のような一般には使用されないような専門用語を検
索することができても、“ｍｅｍｏｒｙ”（一般には「
記憶」だが、コンピュータ分野では「メモリ」）のよう
に一般に使用されている単語であってしかもコンピュー
タ分野でも専門用語であるような単語は専門用語として
検索することができない。

【０００６】そのため、検索された未知語に基づいて専
門用語のリストや辞書を作成するだけでは不十分であっ
て、人間が翻訳する文章をも調べて専門用語のリストや
辞書を作成しなければならず、非常に多くの手間を必要
としていた。

【０００７】本発明は、以上の点を考慮してなされたも
のであり、対象とする文章内の専門用語をもれなく自動
的に検出することができる専門用語検出装置を提供しよ
うとするものである。

【０００８】

【課題を解決するための手段】かかる課題を解決するた
め、本発明においては、分野が特定されていない一般文
章に現れる各単語の出現頻度情報を予め得て格納してい
る標準出現頻度格納手段と、入力された特定分野の文章
に含まれている各単語の出現頻度情報を得る出現頻度検
出手段と、特定分野の文章に含まれている各単語の出現
頻度情報と、一般文章で現れるその単語についての出現
頻度情報とに基づいて、各単語が専門用語であるか否か
を判断する専門用語判断手段と、専門用語と判断された
単語を出力する専門用語出力手段とで専門用語検出装置
を構成した。

【０００９】

【作用】本発明においては、分野が特定されていない一
般文章に現れる各単語の出現頻度情報を予め得て標準出
現頻度格納手段に格納しておく。この状態で、専門用語
を検出したい特定分野の文章を出現頻度検出手段に入力
する。このとき、出現頻度検出手段は、入力された特定
分野の文章に含まれている各単語の出現頻度情報を得る
。専門用語判断手段は、特定分野の文章に含まれている
各単語の出現頻度情報と、一般文章で現れるその単語に
ついての出現頻度情報とに基づいて、各単語が専門用語
であるか否かを判断する。このようにして判断（検出）
された専門用語は、専門用語出力手段によって例えば表
示出力又は印字出力される。

【００１０】

【実施例】以下、本発明による専門用語検出装置を機械
翻訳システムに適用した一実施例を図面を参照しながら
詳述する。なお、この実施例は、翻訳しようとする文章
が英語で、訳文が日本語の場合である。

【００１１】この機械翻訳システムも、ハードウェア的
には、一般のコンピュータシステム（ワークステーショ
ン）と同様な構成を有する。すなわち、中央処理装置（
ＣＰＵ）、主記憶装置、補助記憶装置、キーボード、Ｃ
ＲＴディスプレイ、プリンタ、光学式文字読取装置（Ｏ
ＣＲ）等から構成されている。この明細書では、これ以
上のハードウェアについての説明は省略する。

【００１２】図１は、この実施例に係る機械翻訳システ
ムの機能的構成を示すブロック図である。この機械翻訳
システムは、翻訳のための構成として、原文入力部１、
形態素解析部２、翻訳実行部３、辞書格納部４及び訳文
出力部５を備えている。

【００１３】原文入力部１は、キーボードやＯＣＲ等を
用いて読み込んだ原文をメモリに保持し、１文ずつ形態
素解析部２に出力するものである。形態素解析部２は、
原文入力部１から与えられた原文に対して、辞書格納部
４の格納内容を参照しながら、それがどのような単語か
ら構成されているかを判断し、各単語を切り出し、その
単語の品詞を決定し、さらにその単語の標準形（変化し
ている単語はその原形、例えば“ｗｅｎｔｔ”であれば
“ｇｏ”）に戻し、このようにして得られた各単語の情
報を翻訳実行部３に出力するものである。なお、形態素
解析部２は、辞書格納部４に格納されていない単語が文
章に含まれていても、その単語の文章中の位置や前後の
単語との関係等から、その単語についての品詞を決定す
る。 翻訳実行部３は、詳細には、構文解析部、意味解析部、
意味生成部、構文生成部及び形態素生成部等から構成さ
れており、辞書格納部４の格納内容を参照しながら、形
態素解析部２から与えられた各単語の情報をもとに、原
文の意味表現を捕らえ、この意味表現を有する目的言語
の訳文を作成して訳文出力部５に出力するものである。 なお、形態素解析部２も、本来、翻訳実行部に含まれる
ものであるが、後述する専門用語の検出処理との関係か
ら、図１では、翻訳実行部３から切り離して示している
。訳文出力部５は、翻訳実行部３から与えられた訳文を
ＣＲＴディスプレイやプリンタ等に出力するものである
。

【００１４】上述した形態素解析部２や翻訳実行部３で
参照される辞書格納部４は、図２に示すように構成され
ている。すなわち、辞書格納部４には、各単語について
の原言語での情報たる見出し及びその品詞、目的言語で
の情報たる訳語等の翻訳処理に必要な情報に加えて、標
準出現頻度の情報が格納されている。この標準出現頻度
は、後述する専門用語の検出処理で利用されるものであ
り、例えば１００万語からなる一般の文章（ここでは特
定分野の文章でないことを意味している）の各単語の出
現回数をカウントしたものである。なお、図１では、標
準出現頻度情報の格納部４ａを取り立てて示している。

【００１５】以上、この機械翻訳システムが有する翻訳
構成について説明したが、この機械翻訳システムは専門
用語の検出構成も備えている。すなわち、専門用語検出
部６、出現頻度情報格納部７及びインタフェース部８を
備えている。また、上述した原文入力部１及び形態素解
析部２は、専門用語の検出構成を兼ねている。

【００１６】原文入力部１及び形態素解析部２による処
理自体は、翻訳処理時にも専門用語の検出処理時にも同
様である。しかし、形態素解析部２は、専門用語の検出
処理時には、得られた各単語の情報を専門用語検出部６
に与える。翻訳処理モード又は専門用語の検出処理モー
ドは、キーボードによって指定されるものであり、形態
素解析部２は指定モードによって出力先を選択する。

【００１７】なお、図１において、機能ブロックを結ぶ
実線は機能ブロックの接続関係を表しており、点線は翻
訳処理に係る情報の流れを示しており、二重線は専門用
語の検出処理に係る情報の流れを示している。

【００１８】専門用語検出部６は、形態素解析部２から
与えられた情報をもとに、検出処理に係る文章に含まれ
ている各単語の出現頻度（出現回数）をカウントし、カ
ウントした出現頻度を単語情報と共に出現頻度情報格納
部７に格納させるものである。また、専門用語検出部６
は、同一単語について、出現頻度情報格納部７に格納さ
れた出現頻度と辞書格納部４の標準出現頻度と比較する
ことによって、その単語が専門用語であるか否かを判断
し、専門用語と判断した場合はその旨の情報をインタフ
ェース部８に与えるものである。従って、専門用語検出
部６は、図１に示すように、出現頻度計数部６ａ、専門
用語判断部６ｂ、専門用語出力部６ｃとからなるという
ことができる。

【００１９】出現頻度情報格納部７は、上述したように
、検出処理に係る文章に含まれている各単語の出現頻度
情報が格納されるものである。図３は、出現頻度情報格
納部７の構成を示すものである。すなわち、単語の見出
しとその品詞と出現頻度から構成されている。なお、同
一単語であっても品詞が異なるものは、図３における“
ｗａｔｃｈ　”（名詞）と“ｗａｔｃｈ　”（動詞）の
ように、区別して格納される。

【００２０】インタフェース部８は、専門用語の検出を
するかどうかの使用者からの指示や、検出された専門用
語の出力形態の指示を取り込むものであり、取り込んだ
指示情報を専門用語検出部６に与えたり、また、専門用
語検出部６から与えられた専門用語の情報をＣＲＴディ
スプレイやプリンタ等に出力したりするものである。

【００２１】次に、以上の構成を有する機械翻訳システ
ムの専門用語を検出する場合の動作を説明する。なお、
検出処理に係る文章が、コンピュータについての英語マ
ニュアルの文章である、すなわちコンピュータ分野の文
章であるとして説明する。また、このマニュアルが約１
２，０００文からなり、１文目が“ＵＮＩＸ　ｍｅｍｏ
ｒｙ　…　ｄｕｍｐ．”、２文目が“Ｔｈｅ　ｌｅｎｇ
ｔｈ　　…　１０２３．”、最後の文が“Ｔｈｅ　ｖａ
ｌｕｅ　…　０．　”であるとして説明する。

【００２２】原文入力部１は、キーボードやＯＣＲ等で
読み込んだマニュアルの文章をメモリに保持し、まず、
１文目の“ＵＮＩＸ　ｍｅｍｏｒｙ　…　ｄｕｍｐ．”
を形態素解析部２に与える。

【００２３】形態素解析部２は、原文入力部１から与え
られたこの文に対し、“ＵＮＩＸ”（名詞）、“ｍｅｍ
ｏｒｙ”（名詞）のように、各単語に分割してはその品
詞を決定し、さらに標準形（変化している単語はその原
形）に戻し、標準形とその品詞の情報を専門用語検出部
６に与える。

【００２４】専門用語検出部６は、形態素解析部２から
与えられた標準形と品詞の情報をもとに、出現頻度情報
格納部７における“ＵＮＩＸ”（名詞）について出現頻
度を１だけ増加させ（このときは最初の文であるので１
）、また、“ｍｅｍｏｒｙ”（名詞）についても出現頻
度を１だけ増加させる。なお、形態素解析部２から初め
て与えられた単語情報については、出現頻度情報格納部
７に見出し及び品詞でなる項目を作成した後その出現頻
度を１とする。他方、既に形態素解析部２から与えられ
ている単語についてはその出現頻度を１ずつ増やす。な
お、最初の文に含まれている単語については、見出し及
び品詞でなる項目が作成されることが多い。このように
して最初の文の最後の単語“ｄｕｍｐ”（名詞）の出現
頻度情報を追加すると、専門用語検出部６は、原文入力
部１に最初の文に対する処理が終わったことを表す情報
を与える。

【００２５】この情報により、原文入力部１は２文目の
“Ｔｈｅ　ｌｅｎｇｔｈ　　…　１０２３．”を形態素
解析部２に与える。 このとき形態素解析部２及び専門用語検出部６が行なう
動作も、上述と同様な動作である。

【００２６】このようにして最後の文“Ｔｈｅ　ｖａｌ
ｕｅ　…　０．　”まで処理したときの出現頻度情報格
納部７の格納内容は、上述した図３に示すようになって
いる。

【００２７】専門用語の検出に係る全ての文に含まれて
いる各単語についての出現頻度のカウントを終了すると
、専門用語検出部６は、出現頻度情報格納部７に格納さ
れている最初の単語“ＵＮＩＸ”（名詞）と、見出し及
び品詞が同じである単語を辞書格納部４の辞書情報から
検索する。ここで、“ＵＮＩＸ”（名詞）の場合、辞書
格納部４に登録されていないとする。このため、“ＵＮ
ＩＸ”（名詞）が検索できなかったので、専門用語検出
部６はその標準出現頻度を０とする。次に、出現頻度情
報格納部７に格納されている２番目の単語“ｍｅｍｏｒ
ｙ”（名詞）についても同様に辞書格納部４を検索し、
標準出現頻度９０を得る（図２参照）。以後、出現頻度
情報格納部７に格納されている全ての単語に対して同様
な処理を繰返し、それぞれの標準出現頻度を得る。

【００２８】次に、専門用語検出部６は、出現頻度情報
格納部７に格納されている全ての単語の出現頻度を加え
、入力されたマニュアル文章の総単語数（例えば２８５
，７１１語）を得る。このようにして得られた出現頻度
、標準出現頻度、総単語数から、各単語について次の（
１）　式を計算し、専門用語らしさ値Ｘを得る。

【００２９】 　　Ｘ＝Ｃ−（Ｃ０＊Ｔ／Ｍ）−Ｋ（Ｃ０＊Ｔ／Ｍ）１
／２　　　　　　　　　　　　　　　（１）　（但し、
Ｃは出現頻度、Ｃ０は標準出現頻度、Ｔは総単語数、Ｍ
は標準出現頻度のデータの総単語数、Ｋは定数（現在ま
での実験によれば４程度が妥当である）である）なお、
（１）　式は、以下の考え方に基づいた式である。各単
語についての出現頻度Ｃ（Ｃ０）は総単語数Ｔ（Ｍ）か
らみればごく小さい値であり、しかも離散値であるので
、ポアソン分布で近似することができる。他方、標準出
現頻度Ｃ０をカウントした総単語数Ｍは、上述したよう
に１００万語であるので、無限母集団として処理するこ
とができる。以上のことを前提とすると、総単語数がＴ
の『一般の文章』においてこの単語が出現する頻度の期
待値はＣ０＊Ｔ／Ｍで表すことができる。ポアソン分布
で近似しているので、標準偏差は（Ｃ０＊Ｔ／Ｍ）１／
２　で表すことができる。他方、総単語数がＴの『コン
ピュータ分野の文章』において出現した現実の頻度はＣ
である。従って、（１）　式におけるＣ−（Ｃ０＊Ｔ／
Ｍ）は、この単語が『コンピュータ分野の文章』におい
て生じた頻度と、同一総単語数Ｔの『一般の文章』にお
いて生じるであろう頻度との差を求めていることになる
。この単語が専門用語であればこの差は大きくなるが、
一般用語であれば『コンピュータ分野の文章』であって
もその頻度は『一般の文章』程度であってこの差は小さ
いものとなる。この差Ｃ−（Ｃ０＊Ｔ／Ｍ）を標準偏差
（Ｃ０＊Ｔ／Ｍ）１／２　のＫ倍と比較することによっ
て、差が統計的に有意であるか（Ｘ＞０）否かを判断す
ることができる。すなわち、この単語が一般単語であっ
て『コンピュータ分野の文章』においても『一般の文章
』においても同程度に生じるものであるか、専門用語で
あって『コンピュータ分野の文章』において特に多く生
じるものであるかを判断することができる。従って、上
述したように、値Ｘはその単語の専門用語らしさを示す
ものである。

【００３０】図４は、各単語についての専門用語らしさ
値Ｘの計算値を示したものである。この図４の場合、“
ＵＮＩＸ”（名詞）、“ｄｉｓｐｌａｙ　”（名詞）、
“ｄｉｓｐｌａｙ　”（動詞）、“ｍｅｍｏｒｙ”（名
詞）は専門用語と判断でき、“Ｔｈｅ　”（冠詞）、“
ｗａｔｃｈ”（名詞）、“ｗａｔｃｈ　”（動詞）は一
般用語と判断できる。

【００３１】専門用語と判断された単語については、そ
の単語の見出しと、品詞と、出現頻度と、専門用語らし
さ値が専門用語検出部６からインタフェース部８に与え
られる。

【００３２】このとき、インタフェース部８は、まずＣ
ＲＴディスプレイに図５のような表示を行ない、使用者
に表示方法を質問する。すなわち、検出した専門用語を
アルファベット順に表示するか（キー「１」が対応）、
出現頻度順に表示するか（キー「２」が対応）、専門用
語らしさ順に表示するか（キー「３」が対応）を質問す
る。インタフェース部８は、当然に、使用者が「１」を
入力した場合には専門用語を見出し順に、「２」を入力
した場合には専門用語を出現頻度の大きい順に、「３」
を入力した場合には専門用語を専門用語らしさの大きい
順に並換え、その後、ＣＲＴディスプレイやプリンタ等
に見出し、品詞、出現頻度、専門用語らしさを出力する
。

【００３３】図６は、アルファベット順の表示が指示さ
れた場合の表示例を示している。

【００３４】使用者は、このようにして検出された専門
用語について訳語等を得て辞書登録を行ない、その後、
翻訳処理を実行させる。

【００３５】従って、上述の実施例によれば、“ｍｅｍ
ｏｒｙ”のような一般用語であってかつある分野の専門
用語であるような単語を確実に検出することができる。 そのため、検出に供した文章を検出処理後に使用者が調
べ直すようなことが不要となり、従来に比して手数が大
幅に省け、使い勝手を向上させることができる。

【００３６】また、人間が専門用語であるかどうかを判
断する場合は個人差があって検出もれを生じるが、この
実施例によればそのようなことも起こらない。

【００３７】さらに、この実施例によれば、アルファベ
ット順に加えて、出現頻度順、専門用語らしさ順に検出
した専門用語を使用者に提示することも可能であり、使
用者が必要に応じた提示方法を選択して専門用語辞書を
作成することができ、専門用語辞書を適切に作成できて
訳文の品質を従来より一段と高いものとすることができ
る。

【００３８】なお、本発明による専門用語検出装置を、
機械翻訳システムとは別個の専用装置として実現しても
良い。また、専門用語の検出に供する文章も、その後翻
訳する文章に限定されるものではない。さらに、英語の
文章からの専門用語の検出に限定されるものでもない。 また、標準出現頻度の代わりに標準出現率を予め格納し
ておくものであっても良い。検出された専門用語の利用
システムも機械翻訳システムに限定されるものではなく
、他の言語処理システム、例えば音声認識システム等に
適用することもできる。

【００３９】

【発明の効果】以上のように、本発明によれば、一般文
章における単語の出現頻度情報と、特定分野の文章にお
ける単語の出現頻度情報との差を検出してその差が大き
いものを専門用語として検出するようにしたので、対象
とする文章内の専門用語をもれなく自動的に検出するこ
とができ、対象とする文章を検出動作後に人間が見直す
ようなことを不要とすることができる。

【図面の簡単な説明】

【図１】一実施例を適用した機械翻訳システムのブロッ
ク図である。

【図２】辞書格納部（標準出現頻度格納手段）４の構成
を示す説明図である。

【図３】出現頻度情報格納部７の構成を示す説明図であ
る。

【図４】専門用語らしさの計算結果を示す説明図である
。

【図５】検出した専門用語の出力形態の選択を促す表示
画面の説明図である。

【図６】検出した専門用語の出力表示画面の説明図であ
る。

【符号の説明】

１…原文入力部、２…形態素解析部、４…辞書格納部、
４ａ…標準出現頻度格納部、６…専門用語検出部、６ａ
…出現頻度計数部、６ｂ…専門用語判断部、６ｃ…専門
用語出力部、７…出現頻度情報格納部、８…インタフェ
ース部。

Claims (1)

【特許請求の範囲】
1. 【請求項１】　　分野が特定されていない一般文章に現
   れる各単語の出現頻度情報を予め得て格納している標準
   出現頻度格納手段と、入力された特定分野の文章に含ま
   れている各単語の出現頻度情報を得る出現頻度検出手段
   と、特定分野の文章に含まれている各単語の出現頻度情
   報と、一般文章で現れるその単語についての出現頻度情
   報とに基づいて、各単語が専門用語であるか否かを判断
   する専門用語判断手段と、専門用語と判断された単語を
   出力する専門用語出力手段とを備えたことを特徴とする
   専門用語検出装置。