MeCab

汎用日本語形態素解析エンジン

工藤 拓
アジェンダ

形態素解析の技術

辞書引きのアルゴリズム、データ構造

曖昧性の解消

MeCab の開発裏話

歴史

設計方針

汎用テキスト変換ツールとしての MeCab

恐ろしく汎用的!

「意外な」使い方

これから
形態素解析

文を単語に区切り、品詞を同定する処理

全文検索 Spam フィルタリング 人工無能...

以下の３つの処理

単語への分かち書き(tokenization)

活用語処理(stemming, lemmatization)

品詞同定(part-of-speech tagging)
すもも 名詞,一般,*,*,*,*,すもも,スモモ,スモモ
も 助詞,係助詞,*,*,*,*,も,モ,モ
もも 名詞,一般,*,*,*,*,もも,モモ,モモ
も 助詞,係助詞,*,*,*,*,も,モ,モ
もも 名詞,一般,*,*,*,*,もも,モモ,モモ
の 助詞,連体化,*,*,*,*,の,ノ,ノ
うち 名詞,非自立,副詞可能,*,*,*,うち,ウチ,ウチ
。 記号,句点,*,*,*,*,。,。,。
形態素解析の技術

基本的な処理: 辞書から単語を引いて、与えられ
た文と照合し、最も自然な単語列を求める

辞書引き

入力文は単語毎に区切られていない

どの文字列を辞書引きするか自明ではない

曖昧性の解消

すべての可能な単語の組合せから(何らかの
基準で)最適な単語列を発見する

基準の定義
日本語処理のための辞書の要件

単語の区切りが明確でないので、先頭から
何文字までが単語なのかわからない
奈良先端科学技術大学院大学情報科学研究科

2

単純な方法(hash)だと (文長) の辞書引きが発生!
$str = "奈良先端科学技術大学院大学情報科学研究科";
for (my $i = 0; $i < length($str); ++$i) {
for (my $j = 1; $j < length($str) - $i; ++$j) {
my $key = substr($str, $i, $j);
if (defined $dic{$key}) {
...;
...

*dbm, RDB は辞書として使えない

 辞書検索のためのデータ構造：TRIE
•赤丸が単語の終了  
　位置を表す  

   

 
 


 



対象文字列の先頭から文字を順番にたどるだけ

辞書引き終了のタイミングが自動的にわかる

入力文字列の長さに比例した時間 O(文長) で探索が可能

さまざまな実装
Double- Array(
) TRIE
{#=- 1,a=1,b=2,c=3...}
int n = 1
for (int i = 0; i < strlen(key); ++i) {

int k = BASE[n] + charcode(key[i]);

if (CHECK[k] != n) break;

// 見つかった!
if (BASE[k] < 0)
printf (“%d\n”, - BASE[k]);

n = k;
An efficient implementation of Trie Structures, }
Aoe et al 92 より引用

MeCabに採用 (後に ChaSen も)

利点: (知る限り)最も高速

欠点: 辞書サイズが大きい, 構築が面倒
 曖昧性の解消


[ ] 
[ ]
BOS 
  EOS
[ ] [ ] [
] [ ]


[ ]
[ ]

規則(ヒューリスティックス)に基づく手法 (80年代)

最長一致: 長い単語を優先 (KAKASI)

分割数最小: 文全体の単語の数を最小にする候補

文節数最小: 文全体の文節数を最小にする候補

多くの場合曖昧性を解決できない
 最小コスト法
5

 20 5
10 [ ]  5
10
10
[ ]
BOS 
20  0  EOS
10
[ ] [ ] [
] [ ] 5
5 5 5 
10 10 10 10

20 [ ]
[ ] 30
2

連接コスト: 二つの単語のつながりやすさ
生起コスト: 一つの単語の出現しやすさ

連接コストと生成コストの和が最小になる解

コストはなんらかの方法で決定 (後述)

Viterbi アルゴリズム (動的計画法の一種) で
O(文長) で探索可能
最小コスト法 (Viterbi アルゴリズム)

3200 4200
 
1000 

 
700
1300
3150 4500
  
2700
 
  
 
1400
2700
5700 4550
 
 


 1400 

7100
最小コスト法 (Viterbi アルゴリズム)

3200 4200
 6900

1000  800 

 

700

 7900
1300
3150 4500 1500 
   7250
2700
 
  
 
1400 800
2700
5700 4550
 
 


 1400 

最小コスト法 (Viterbi アルゴリズム)

3200 4200
 6900

1000  800 

 

700


1300
3150 4500 1500 
  
2700
 
  
1200 600 7300
 
1400 800 
2700  8200
5700 4550

 
  600 7650


 1400 

最小コスト法 (Viterbi アルゴリズム)
3200 4200
 6900

1000
 800 

 
 500
700
  7400
1300
3150 4500 1500 
   
2700
 
  
1200 600 7300 8260
 
 960
1400 800
2700 
5700 4550

 

 600

  1400 

最小コスト法 (Viterbi アルゴリズム)

3200 4200
 6900

1000
 800 

 
 500
700
  7400
1300
3150 4500 1500 
   
2700
 
  
1200 600 7300
 
 960
1400 800
2700 
5700 4550

 

 600

  1400 

最小コスト法 (Viterbi アルゴリズム)

3200 4200
 6900

1000
 800 

 
 500
700
  7400
1300
3150 4500 1500 
   
2700
 
  
1200 600 7300
 
 960
1400 800
2700 
5700 4550

 

 600

  1400 

コストの決定方法

人手でガンバル (90年代はじめ)

試行錯誤の連続, かなり大変

客観的評価が難しい

統計処理

大量の生テキストから推定

超低コスト

質に問題がある (全文検索目的だったら可能かも)

正解データを人手で作ってデータから推定

現代の形態素解析器の主流

低コスト

これから...

大量の生テキスト + 少量の正解データ + 統計処理
正解データ作成ツール (VisualMorphs)
Conditional Random Fields

MeCab 0.90 から採用された統計的コスト

推定アルゴリズム

コスト推定モジュールを同封

ChaSenが採用している手法に比べて高性能

1/3 程度の正解データで同程度の性能

CRFの基本的な考え方

「正解のコスト < 残りの解のコスト」
が満たされるようにコスト値を探索

ラティス中のコストをカナヅチで調整するイメージ

数値最適化問題に帰着
 オープンソース形態素解析器
• >@B prolog6SXPNES
• ,5>@B C +
• JMP >2Z /?)
92 0.6 94 0.6 96 3.1 03 4.0 05 5.1
JUMAN
QPVKDTRIE
back port

• ">@BJMP!?&' 03 2.3.3

96.09.30 97 1.0 • >@BPUEIUT
ChaSen
• 8NAIST>
• (-#>@BJMP ORW1
• QPVKDTRIE>@B40 02.12.4 back port 06 0.9
• ;<C8
>2$ MeCab
• ORW1>@B40
• *37@AKYSW>
03 06 1.2.2
• 2$,.C C++ >

6Sen
• GRLFHP =9%:
MeCab?
Java port
MeCab の設計方針

辞書とシステムの完全分離

自然言語の複雑さはシステムではなく辞書/コストとし
て外部定義

システムは日本語を知らない

grep “名詞” *.cpp としても何も出てこない :-)

システムは「ひらがな」「カタカナ」の区別すら知ら
ない　(文字種の情報もすべて外部定義)

他の言語も辞書さえあれば解析可能

解析速度を犠牲にしない

事前に計算できることはすべてやっておく

辞書やコスト値はすべてバイナリデータ

ディスクの使い方は富豪的
MeCab の設計方針

機能の選別

前処理/後処理でできることはやらない

ChaSen の機能過多の反省
 文字コード変換, 改行処理, 連結品詞, 注釈, ChaSenサーバ

かわりに API を充実
 C/C++, Perl, Java, Python, Ruby, C# ...

解析器にしかできない機能を提供

N-best 解, 制約つき解析, ソフト分かち書き(後述)
use MeCab;
my $str = "すもももももももものうち";
my $mecab = new MeCab::Tagger(“”);
for (my $n = $mecab->parseToNode($str);
$n; $n = $n->{next}) {
printf “%s\t%s\n”, $n->{surface}, $n->{feature};
}
ソフト分かち書き =
(形態素解析 + 文字単位解析)/2

全文検索におけるインデックスの単位

形態素解析: 高精度, 　 検索漏れ

文字単位/n-gram: 高再現率, 検索ノイズ

２つの立場を 融合, 単一化 できないか?

応用によって２つの立場を無段階に選択する

いいとこどり
形態素解析 文字単位
高精度 高再現率
検索漏れ 検索ノイズ

ソフトわかち書き
パラメータθによって無段階に変更
ソフト分かち書き: 動作例
形態素解析 文字単位
高精度 高再現率
検索漏れ 検索ノイズ

入力　「京都大学」
汎用テキスト処理ツール

MeCab は日本語形態素解析器だけではない

汎用的に作っています!

テキスト → テキストの汎用変換ツール

仮名漢字変換 (mecab-skkserv, AJAX IME)

ローマ字→ひらがな

文字コード変換 (ちと強引)

適切に辞書/コスト値を作れば実現可能!

 /

/ai
/uta

 /no 

/a /i 
/uta
 MeCab の辞書
1. dic.csv (辞書定義)
の,166,166,8487,助詞,格助詞,一般,*,*,*,の,ノ,
京都,1306,1306,1849,名詞,固有名詞,地域,一般,*,*,京都,キョウト,キョート
桜,1304,1304,7265,名詞,固有名詞,人名,名,*,*,桜,サクラ,サク
....

- 単語, 左文脈id, 右文脈id, 単語生起コスト, 素性列(CSV)

- 素性は任意の情報(品詞,活用,読み等)をCSVで記述
2. matrix.def (連接コスト定義)
1306 166 -2559
1304 1303 401
 -2559  608 
166 1304 608
[] [] []
1306 1849 1306 166 8447 166 1304 7265 1304
左文脈id 右文脈id 単語連接コスト

3. char.def (文字の定義) 単語連接コスト

4. unk.def (未知語処理の定義) 単語生起コスト
5. dicrc (出力フォーマット等)
 AutoLink
自動的にリンクが張られる機能です
MeCabで実現できます。

1. dic.csv (辞書定義) 2. matrix.def (連接コスト定義)

リンク,0,0,-500,http://foo.com/ 000
MeCab,0,0,-200,http://mecab.sourceforge.jp/
Gree,0,0,-100,www.gree.jp
.... 連接は使わないので一状態
コスト 0
- 連接は一状態
- 単語の長さに対し指数的に 3. char.def (文字の定義)
小さくなるコスト 4. unk.def (未知語処理の定義)
→ デフォルト １文字 1未知語
- 素性にリンク先 URL

5. dicrc node-format-autolink = <a

href="%H">%M<a>
%M: 単語 (入力)
unk-format-autolink = %M %H: 素性 (出力)
T9風 予測入力 1/
2/ 3/

4/ 5/ 6/

入力: 1681 → おはよう, 241 → くどう 7/ 8/ 9/
語呂合わせ: 1192 → 哀楽, 794 → 森田 0/

1. dic.csv (辞書定義) 2. matrix.def (連接コスト定義)

10 9 2505 - wikipedia を mecab で解析
1,10,10,0,オ
2,11,11,0,カ
10 10 396 - 単語の読みと頻度を取得
2,12,12,0,ガ
10 11 606
10 12 964
- カタカナのつながりやすさ
.... をコスト化
...
- 「日本語らしさ」
- 単語(入力): 数字
- 文脈id: すべての 3. char.def (文字の定義)
カタカナ文字に対応 4. unk.def (未知語処理の定義)
→ デフォルト １文字 1未知語

5. dicrc node-format-katakana = %H %M: 単語 (入力)

unk-format-katakana = %M
%H: 素性 (出力)
子音入力
dmdkry → だめだこりゃ
tnkyhu → てんきよほう
kdutk → くどうたく

1. dic.csv (辞書定義) 2. matrix.def (連接コスト定義)

6 15 796 - wikipedia を mecab で解析
a,6,6,0,ア
k,15,15,0,カ 6 17 675 - 単語の読みと頻度を取得
k,17,17,0,キ 6 137 3121
6 138 3121
- カタカナのつながりやすさ
py,137,137,0,ピャ をコスト化
...
- 「日本語らしさ」
- 単語(入力): 母音無しローマ字
- 文脈id: すべての 3. char.def (文字の定義)
カタカナ文字に対応 4. unk.def (未知語処理の定義)
→ デフォルト １文字 1未知語

5. dicrc node-format-katakana = %H %M: 単語 (入力)

unk-format-katakana = %M
%H: 素性 (出力)
MeCab の素性フィールドの利用

辞書の素性は CSV なら何でも可能

単語にさまざまな付加情報を付与

意味情報
の,166,166,8487,助詞,格助詞,一般,*,*,*,の

英語の訳 桜,1304,1304,7265,名詞,固有名詞,人名,名,*,*,桜,サクラ
....

URL

スパムスコア

スパムフィルタの例

通常のスパムフィルタ

MeCab で解析 → 単語の抽出

単語をキーにスパムスコア辞書をルックアップ

辞書引きが2回! 辞書の付加情報として持っておけ
ばMeCabだけでスパムスコアリングが可能
まとめ

MeCabの技術

辞書引き

通常の hash は使えない

TRIE

曖昧性の解消

最小コスト法

統計処理による正解データからの推定

設計方針

汎用性

テキスト変換ツール

意外な使い方