« きょうのデータ部☆(12/11) | メイン | データ部ログ ダイジェスト第2弾4回目~分かちで検索~ »

データ部ログ ダイジェスト第2弾3回目~分かち書きの話~

こんにちは。ぶー子です。(冬服になりました)


yubisashil20.gif

「データ部ログダイジェスト」3回目の今回もカナヨミの説明です。「分かち」とは、ふだんあんまり耳にしないコトバだけど...?

★分かち書き
「スモモ/モ/モモ/モ/モモ/ノ/ウチ」のように、用語・要語ごとに区切る表記法を分かち書きと言います。一般に各語の区切りは空白が多いようですが、TRCでは「/」(スラッシュ)を入力しています。

分かち書きにする理由は、第一に見易いこと。また、分かち検索ができるシステムならば(TOOLiでは分かち検索のセレクトボックスを用意しています)、漢字・カナの部分一致ではうまく検索できない単語を、きれいに拾うことができます。例えば「ブタ(豚・ぶたを含む)」。分かち検索で「ブタ」と入力すれば、「ブタイ」「アソブ/タノシム」など様々なノイズの中から「ブタ(豚・ぶたを含む)」だけを拾うことができます。

そこで、分かちのルールなのですが...ブログのエントリー上にまとめるのは、ちょっと無理でした。まず「この言葉の品詞は?」というところから迷ってしまったりと、日本語は本当に難しい...。TRCでは分かちの基本ルールを20ページ程度にまとめ、更に用例を決めて管理に努めていますが、それでも全ての言葉をルールに則って分離していくのは難しいものです。

基本的な考え方には、「名詞は他の品詞から分離する」「動詞・形容詞は語尾や後続する助動詞・助詞を含めて一語とする」などがあります。TRCの分かち書き基準はオンライン上のものがありませんが、国立国会図書館のサイトには「分かち書き基準」というものが載っています。TRCとは異なるところもありますが、検索語として重要な言葉を分離する、といった基本的な考え方は見て取れるのではないでしょうか。実際にチャレンジしようという場合には、分かちで検索する言葉は限られますので、名詞・固有名詞などを確実に分離することを念頭に、あまり迷いすぎずに作業するのがよいのではと思います。

ひとつだけ例を見てみましょう。「人名に付く接頭語・接尾語は原則として分離する」というルールがあります。「ゴッホ展」は「ゴッホ/テン」、「半沢直樹さん」は「ハンザワ/ナオキ/サン」。姓と名は分離します。
「ノーベル賞」「ヨブ記」のように人名から派生し別の意味を持つようになった言葉や、「さかなクン」のようにひとまとまりで愛称になっている言葉は分離しません。

------------------------------------------------------------------------------

なるほど~。分かちってこういう仕組みになってるんですね!
この仕組みを使うと、検索のとき絞り込んでおこなうこともできるんです。その例のご紹介はまた明日に♪

トラックバック

このエントリーのトラックバックURL:
http://datablog.trc.co.jp/cgi-bin/mt/mt-tb.cgi/1953

コメントを投稿

(投稿されたコメントは、TRCデータ部の営業時間内にアップいたします。投稿から掲載までお待ちいただく場合がありますがご了承ください。なお、メールアドレスはTRCデータ部から直接ご連絡する場合にのみ使用いたします。第三者への公開・提供はいたしません。)

博物館、図書館、文書館、公民館(MLAK)東日本大震災被災救援情報
博物館、図書館、文書館、公民館(MLAK)東日本大震災被災救援情報

2016年9月

        1 2 3
4 5 6 7 8 9 10
11 12 13 14 15 16 17
18 19 20 21 22 23 24
25 26 27 28 29 30  

アーカイブ

全てのエントリーの一覧

リンク