[論文レビュー] Representing human and machine dictionaries in Markup languages

Lothar Lemnitzer, Laurent Romary+1 more|ArXiv.org|Dec 15, 2009

Natural Language Processing Techniques参考文献 12被引用数 4

ひとこと要約

本稿は、テキストエンコーディング・イニシアチブ（TEI）ガイドラインに準拠した、人間可読および機械可読の辞書のための標準化されたXMLベースの表現を提案する。構造化マークアップが相互運用性、拡張性、言語的メタデータの保持を可能にすることを示しており、語彙的エントリ、文法的特徴、意味的関係を計算機で扱える形式でモデル化する点で主な貢献を果たしている。

ABSTRACT

In this chapter we present the main issues in representing machine readable dictionaries in XML, and in particular according to the Text Encoding Dictionary (TEI) guidelines.

研究の動機と目的

• 人間用および機械用の辞書における語彙的データのための一貫性があり、機械で処理可能なフォーマットの欠如に対処すること。
• XMLを用いて語彙的エントリ、文法的特徴、意味的関係の統一された表現モデルを定義すること。
• 計算言語学における辞書固有のニーズに適合させるために、テキストエンコーディング・イニシアチブ（TEI）ガイドラインを適応および拡張すること。
• 言語学的研究および自然言語処理（NLP）アプリケーションにおける語彙的データの拡張性と再利用可能性を確保すること。

提案手法

• 辞書コンテンツをXMLでエンコードする基盤として、TEIガイドラインを採用すること。
• 語彙的エントリ、見出し語、品詞タグ、活用形、文法的特徴を表現するためのモジュラーデータ構造を定義すること。
• 同義語、対義語、語源的由来関係といった意味的関係を、意味的タグ付けと参照リンクを用いてエンコードすること。
• 出典、由来、編集状態に関するメタデータを統合して、データの履歴と信頼性を支援すること。
• XML名前空間およびDTD/スキーマ定義を用いて、システム間での検証と相互運用性を保証すること。
• 実際の辞書例にこのモデルを適用し、実用的なエンコードおよび変換ワークフローを示すこと。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、マークアップ言語を用いて人間用および機械用の辞書を一貫性のある機械処理可能なフォーマットで表現できるか？
• RQ2 一般テキストエンコーディングを越えて語彙的データを適切にモデル化するためには、TEIガイドラインにどのような拡張が必要か？
• RQ3 辞書内の文法的および意味的情報は、XMLにおいてどのように意味的に構造化され、保存されるか？
• RQ4 標準化された辞書エンコーディングフォーマットにおける相互運用性と拡張性のための主要な要件は何か？
• RQ5 信頼できる語彙的データ交換を実現するため、XML構造内にメタデータおよび由来情報を体系的に捉えるにはどうすればよいか？

主な発見

• 提案されたXMLベースのモデルは、変化形パラダイムや意味的関係といった複雑な語彙的構造を、TEIフレームワーク内に効果的に表現できた。
• TEIを基盤として用いることで、長期的な保守性と確立されたテキストエンコーディング基準との整合性が保証された。
• 同一の拡張可能なスキーマを用いることで、人間可読および機械可読の両方の辞書フォーマットをサポートした。
• 標準的なXMLツールおよびXPath/XQueryを用いた一貫性のある変換および照会処理が可能になった。
• 構造化された入力を提供するため、このアプローチは、品詞タグ付けや意味解析といったNLPパイプラインへの統合を容易にした。
• 事例研究により、単語辞書、二国語辞書、および専門的語彙リソースを含む多様な辞書タイプに本モデルが適用可能であることが示された。