NewsInsight

自然言語処理の基礎データに貢献

グーグルが日本語N-gramデータを公開

2007/11/01

　グーグルは11月1日、大規模日本語コーパスのN-gramデータを公開した。N-gramは自然言語処理の領域で、単語同士の結びつきを統計的に処理する計算モデル。「グーグルで検索」「グーグルで調べる」「グーグルで探す」のように特定の単語（例では“グーグル”）と、他の単語の結びつきを予測できる。

　N-gramは特定の位置にある単語が何であるかを、その直前の単語、さらに前の単語……、とN個分さかのぼって推測できるという仮説に基づいている。かな漢字変換、OCRのエラー訂正、機械翻訳、音声認識などに使われている。

　公開したのはグーグルがWebサイトから抽出した約200億文（約2550億単語）の日本語データから作成したN-gramデータ（1〜7gram）。データは特定非営利活動法人 言語資源協会を通じて配布しており、団体・個人の区別なく利用できる。これまで米グーグルは英語について同様のデータを公開していた。今回新たに単語分割処理など日本語独自の処理を加えてデータを作成した。作成にはグーグルの大規模分散処理システムMapReduceを用い、数千台規模のPCクラスタを使った。

　今回のデータは、グーグル社内の「20％ルール」に基づいて、工藤拓氏と賀沢秀人氏が研究した成果。グーグルでは勤務時間の20％を研究開発など、自分の好きなテーマに使ってよい社内ルールがある。