DHM 123

《連載》「Digital Japanese Studies 寸見」第79回

「UniDic の源を見に：中俣尚己『「中納言」を活用したコーパス日本語研究入門』」

京都教育大学の中俣尚己氏の執筆した『「中納言」を活用したコーパス日本語研究入門』（ひつじ書房、2021。以下、本書）が刊行された[1]。本書にはすでに青山学院大学の近藤泰弘氏の書評が『週刊読書人』にあるが[2]、ここでも紹介したい。本月報読者にも、「中納言」は無関係ではないからである。

「中納言」は、国立国語研究所（国語研）の提供するコーパス検索プラットフォームで、現在は同所のコーパス開発センターが中核となって開発が進められている[3]。なお、「大納言」は同所内で活用されているコーパス開発プラットフォーム、「少納言」は、本書でも紹介されているが、登録不要のコーパス検索ツールの名称である。「少納言」は、2021年2月にセキュリティ上の問題によって公開が一時停止されていたが、2021年12月の再開を目指して改修中とのことである[4]。これは、下記の「現代日本語書き言葉均衡コーパス」を簡易的に検索できるツールで、検索結果も500件までと制限されているが、正規表現を利用して柔軟に文字列検索できるなど、「中納言」にない利点もある。

コーパスはもはや説明に多言を弄する必要もなくなりつつあるが、なんらかの基準でまとめられた言語資料編纂体のことである。言語資料として言語学的分析が各文各語に施され、分析が容易にできるようにされることがほとんどである。国語研では、現代の書きことばをバランスよく集めた「現代日本語書き言葉均衡コーパス」（Balanced Corpus of Contemporary Written Japanese; BCCWJ）、おなじく話しことばについて収集した「日本語話し言葉コーパス」（Corpus of Spoken Japanese; CSJ）、日本語の歴史資料を集めている「日本語歴史コーパス」（Corpus of Historical Japanese; CHJ）をはじめとして、会話や方言、言語学習者、ウェブなどからあつめた言語資料をコーパスとして提供している。国語研のコーパスの詳細については、[3]のコーパス開発センターウェブサイトに各種資料があるほか、概説的なものとして朝倉書店から「講座日本語コーパス」[5]や「コーパスで学ぶ日本語学」[6]が出ているので、そちらを参看されたい。

これらのコーパスの処理には、基本的に UniDic と呼ばれる「辞書」が用いられている。UniDic は、伝ほか[7]で提示された形態素解析用辞書である。MeCab[8]などで処理をしたことがある人であれば、さいきんは UniDic を用いることがかなり多いのではないかと思うが（IPADIC などを使うこともとうぜんあろう）、その本家がこの国語研のコーパス開発なのである。一貫して UniDic を用いることで、横断的な検索を最大限可能にしようとしているのが、国語研の現在のコーパス開発体制で、それによって、古語の文献も UniDic の現代語のデータを通じてかなり扱いやすくされている。

さて、「中納言」は、そのようなコーパスから検索するための環境である。個々のコーパスについて検索することもできるし、「まとめて検索」として「KOTONOHA」という統合検索も実験的に公開されている。つまり、「中納言」を通じて、どのような意図で UniDic が作られているのか、より正確に理解することができるということである。

本書は、言語研究者向けのガイドであるから（中俣氏は日本語文法の研究者である）、かならずしも非専門家の興味に沿うものではないが、平易な語り口なので、自然と言語研究者の興味というものも理解しやすくなっているのではないかと思う。また、UniDic の活用体系や細々した情報など、非専門家にはその意義が分りにくいことがらが「中納言」でフル活用されているさまが見られることで、なんとなく使っていた MeCab の結果もよりビビッドに理解されるのではなかろうか。

このようなオンラインサービスのガイドブックのつねで、「少納言」の紹介から入っているものの「少納言」が止まってしまっている（脱稿後の加筆で、サービス停止中である旨は明記されている）などのことはあるが、まちがいなく「中納言」の現在の最良の入門書であろう。自然言語処理の数理的な部分だけではなく、辞書の正しさなどに関心を持った方には、お勧めできる一冊である。

《連載》「欧州・中東デジタル・ヒューマニティーズ動向」第40回

「欧州デジタル・ヒューマニティーズ学会 第2回国際大会参加記：言語資源の Linked Open Data と Text Alignment Network を中心に」

2021年9月21日から24日まで、欧州デジタル・ヒューマニティーズ学会（European Association for Digital Humanities; 以下 EADH）が主催する第2回国際大会（Second International Conference）が開催された[1]。EADH は、日本デジタル・ヒューマニティーズ学会（Japan Association for Digital Humanities; JADH）と同様、世界の DH 系学会を束ねる ADHO（Alliance of Digital Humanities Organizations）の一員である[2]。

9月21日から22日までは、3つのワークショップが開催され、23日から24日は、研究発表が行われた。毎日、最後の時間に、Topia と呼ばれる、オンライン会議・懇親会プラットフォームで懇親会が一時間程度行われた。本来オフラインで、ロシアのシベリアに位置するエニセイ川の河畔に存在するクラスノヤルスクという都市にあるシベリア連邦大学で行われる予定であったが、コロナ禍のため、全てオンラインになった。クラスノヤルスクの時間は GMT+7で、GMT+9の日本とはわずか2時間の時差であるため、日本から大変参加しやすかった。ワークショップの数は3、口頭発表の数は100に近く、キーノートとパネルの数はそれぞれ2つ、そして多数のポスター発表があり、もちろん本稿で全てを詳述することはできない。そこで、筆者がメモを多数残し、最も印象に残った、2つのワークショップを中心に述べたい。

LiLa: Linking Latin: ラテン語言語資源の LOD

最初のワークショップは、“Interlinking through Lemmas. Linking Linguistic Resources to a lexically-based LLOD Knowledge Base” である。これは、マルコ・パッサロッティ氏が率いる、イタリアのミラノにあるサクロ・クオーレ・カトリック大学の LiLa: Linking Latin プロジェクトによるワークショップであり、そこでは、LiLa プロジェクトが開発した、ラテン語の言語資源 LOD 関連のプロダクトの使い方および理念や基本設計が教授された[3]。

LiLa プロジェクトの核心は、ラテン語の語彙の知識ベースである LiLa Knowledge Base である。現在、同じく LiLa プロジェクトが開発した Latin Wordnet と呼ばれるラテン語の概念辞書データや[4]、Perseus Digital Library の TEI XML 化された Lewis & Short のラテン語―英語辞典など、様々な辞書データが公開されている[5]。また、ラテン語それ自体は、語形変化が非常に豊富な屈折語であり、名詞類なら、性・数・格が、動詞なら、時制・相・態・法の文法情報が語形に現れるが、LiLa lemmaBank がこれらの文法情報を解析する。他、UDPipe というチェコのプラハ・カレル大学で開発されている、Universal Dependencies を用いた係り受け解析器はラテン語のテキストの係り受け解析を行ってくれる[6]。LiLa Knowledge Base では、ラテン語のテキストを入力すると、Latin Wordnet などの語彙データベースから語彙の情報を、LiLa lemmaBank から文法情報、UDPipe などから UPOS 情報を返してくれる。このサービスは、Linked Open Data で用いられているRDF（Resource Description Framework）を通して提供される。

このような、言語資源の LOD は、LLOD（Linguistic Linked Open Data）と呼ばれる。最近は、この分野での開発が盛んである[7]。LiLa の LLOD は The OntoLex Lemon Lexicography Module という辞書データベース向けのオントロジーのモデルを用いている[8]。オントロジーの中心は、様々な変化形を一つにまとめたレンマである。そこに、様々な文法情報や辞書情報が LOD のトリプルの形で記述され、ネットワークを形成していく。LiLa では、ユーザが入力したラテン語テキストに、LiLa Knowledge Base の知識ネットワークを自動で付すことができるインターフェースを作成している。このチュートリアルでは、LLOD の理念を学んだあと、そのインターフェースを操作して実践を行った[9]。

理念の解説では、トークン化、品詞タグ付け、係り受け解析の概念や技術など、ラテン語の自然言語処理の基礎が伝授された。その後、知識グラフや、言語的に注釈されたデータセットを相互運用可能な形で LOD 化する技術、具体的には、オントロジー、RDF、SPARQL、LLOD などの基礎、そして、レンマによるインターリンク、語彙ベースの LLOD 知識ベースへの言語資源のリンクなどの応用も説明された。

実践編では、各受講生が用意したラテン語テキストを LiLa 知識ベースに登録するまでのやり方を学んだ。具体的には、LiLa のインターフェース上で自動トークン化、品詞タグ付け、レンマ化を行い、RDF の Turtle で出力し、LiLa 知識ベースへ登録した。そして最後に SPARQL による知識ベースへの問い合わせを行った。図1は、あるラテン語テキストを自動で LiLa 知識ベースのインターフェースを使って分析した場面である。

Text Alignment Network: パラレルテキストのためのシステム

筆者が参加したもう一つのワークショップ “Preparing a TEI Corpus for the Text Alignment Network” は、アメリカ・カトリック大学のジョエル・カリヴェスマキ氏による TAN 講座である。TAN とは Text Alignment Network の略であり、TEI XML で作ったテキストコーパスで、別の写本や別の版、または別の言語での翻訳がある場合に、それらのパラレルテキストを整列させて容易に比較可能にするようなシステムである。このシステムはまた、Linked Open Data のエコシステムのなかで成り立っており、RDF によって、パラレルテキストの様々な情報がリンクされている。講師の説明によれば、TAN は TEI の拡張であるが、異なる設計原則に従っているということである。TEI のコーパスを用意し、TAN のための XSLT を用いることで、比較的容易に、TAN のアラインメントファイルを作ることができる。アラインメントとは、翻訳や異版、異本などのパラレルテキストを比較しやすいように整列させて表示するものである。図2が TAN をウェブサイトとして表示させた例であり、ここでは、古代末期のキリスト教思想家の著作のギリシア語原典の2つの異本のテキスト、同じ著作の古典シリア語訳の2つの異本のテキスト、そして現代の英訳の5つのパラレルテキストが、文に近い単位毎に整列されている。

本学会の懇親会は Topia という、いわゆる「ゆるキャラ」的なアバターを操作してオンライン上で他人と対話できるアプリで行われ[12]、今まで話したことがなかったが、論文などで名前を存じていた DH 研究者の何人かとお話することができた。また、最終日の1つのセッションの司会を代打で務めさせていただいたりした。研究発表およびキーノートでも印象に残った点が多数あるが、盛り沢山なので、今回の参加記は、最も印象に残った2つのワークショップについて述べることにとどめ、研究発表や懇親会についてはまたの機会に述べたい。