| １ はじめに | |
| ２ 記事対応付けの方法 | |
| ３ 実験結果と今後の課題 | |
| ４ おわりに | |
| ＜謝辞＞ | |
| ＜参考文献＞ |
機械翻訳などの研究において，大量の対訳コーパスの必要性が指摘されている。 その実現には，一般的なデータを効率よく大量に収集すること， また，日英のように言語ギャップが大きい場合は，特に， 効率よく表現を対応付けることなどが直面する課題となっている。
新聞記事を対象とすれば継続的にデータを収集できる利点がある。 同じニュースに対する記事内容は記述言語によらず基本的に一致するはずであり， それが同じ新聞社のものであればさらに高い対応度が期待される。
実際に日本経済新聞社のテレコンＤＢから取得した日英の新聞記事を比較検討したところ， 部分対応を含めるとほとんどの英文には内容的に対応する日本文があり， うち５割は格要素などの対応もとれることをわかった[白井95a]。 従って，日英記事の対応する文を蓄積することにより日英対訳コーパスの構築が可能になる。
テレコンＤＢでは，日本文記事（日経四紙）はテレコンＢＩＺに， 英文記事（速報）はテレコンＯＮＥにそれぞれ収録されている。 本稿では，文の対応付けに先立って行なう必要のある記事の対応付けについて検討する。
テレコンＤＢには， 日本文記事は英文記事の数倍の本数が収録されている[白井95a]。 そこで，一定期間の全記事を日英両ＤＢから取り出しておき， 英文記事を基準にして対応する日本文記事を抽出する。 対訳テキストに含まれる文の対応づけには， 統計的情報や対訳辞書の利用が有効であることが知られている[Brown 91, Chen 93,Utsuro 94]が， 本稿では記事の特徴に着目する。
記事固有の情報としてはＤＢ検索に使用するキーワードが一般的である。 本稿では，英語キーワードの抽出処理の軽減を図るため， 英文記事中の大文字を含むもの（組織名，地名，略語等）に限定し， 対訳辞書により英日変換して日本語キーワードとし日本文記事の検定に使用する。 このほか，通常はキーワードとはしない数値情報も記事固有の情報として使用するが， 抽出や日英対応付けが簡単である利点がある。 実際，調査した日英記事の９割には数値情報が含まれていた。
以上から，次の手順により記事の対応付けを行なう。
| �� | 日本文，英文とも記事内の数値をすべて取り出す | |
| �� | 英文記事内の大文字を含む語をすべて取り出す | |
| �� | 対訳辞書により�△琉曚覆蠍譴鯑�本語に変換する | |
| �� | 日本文記事内の��の語をすべて取り出す | |
| �� | 対応付け対象範囲内で，日英別に， �´↓い覇世晋�(キーワード)の異なりごとに度数の逆数を稀少度とする | |
| �� | 日英の稀少度の積をその語の稀少度とする | |
| �� | 各英文記事に対し, 稀少度の総和が最大の日本文記事を得る |
なお本稿では，�イ梁弍�付け対象範囲として，予備実験に基づき， 英語記事を１日分，日本語記事を英語記事日付の前後各１日を含む３日分とした。
前節の方法により， 1994年11月2日〜9日の英文723記事に対応する日本文記事の抽出実験を行なった。 実験は，対応付け情報として数値情報のみを使用する場合， 数値情報に併せて大文字を含む語を使用する場合の２つに分けて実施した。結果を表１に示す。
| 日 付 | 曜 日 |
英文記事数 | 対応付けに成功した日本文記事数 | 日本文記事日付とのずれ | |||
| 数値情報のみ | 数値＋キーワード | -１ | ０ | +１ | |||
| ２ | 水 | １２０ | ６５ (54.2%) | ９８ (81.7%) | 14 | 68 | 16 |
| ３ | 木 | ３９ | １９ (48.7%) | ３１ (79.5%) | 1 | 20 | 10 |
| ４ | 金 | ９７ | ４９ (50.5%) | ７８ (80.4%) | 2 | 42 | 34 |
| ５ | 土 | ２９ | １８ (62.1%) | ２６ (89.7%) | 3 | 20 | 3 |
| ６ | 日 | １２ | ４ (33.3%) | ９ (75.0%) | 0 | 2 | 7 |
| ７ | 月 | １２８ | ７０ (54.7%) | １０５ (82.0%) | 0 | 60 | 45 |
| ８ | 火 | １５２ | ７３ (48.0%) | １１６ (76.3%) | 6 | 82 | 28 |
| ９ | 水 | １４６ | ７５ (51.4%) | １１８ (80.8%) | 8 | 75 | 35 |
| 合 計 | ７２３ | ３７３ (51.6%) | ５８１ (80.4%) | 34 | 369 | 178 | |
表１で約２割の英文記事では対応付けに失敗しているが，その原因は， �．謄譽灰鵤贈稗據米�経四紙）にない市況情報や地方経済情報（約10％）， �⊃�値情報や固有名詞的キーワードを含まない記事（数％）， �Ｆ�付が２日以上ずれたもの（若干）などとなっている。
本稿では，並立する日英両データベースから取り出した新聞記事の対応関係を 数値情報と英語で大文字を含む語に着目して自動的に検出する方法を提案した。 新聞記事８日分に対する対応付け実験によれば， 英文記事の約８割に対する日本文記事が自動的に抽出され， 抽出失敗の半数はＤＢからの日本文記事の取り出し漏れに起因していることなどがわかった。 今後は，実験結果を踏まえ，処理精度の向上を図る予定である。
日英記事の対応をとることができれば， 新語や専門語などの対訳語を収集して辞書を整備する上で調査する範囲が絞り込まれるなど 作業の効率化にも有効である。 また，別稿[白井95b]で検討する方法により 日英両記事に含まれる文の対応付けを行なえば， 継続的にデータが収集可能な新聞記事の特性を生かして， 大量の対訳コーパスが構築可能になると思われる。
本検討にご協力くださった松島英之氏，井田倉紀子氏を始めとする ＮＴＴアドバンステクノロジの各位に感謝する。