先行研究との比較

先行研究では単文，重文複文の学習データとして，121,913文対 を用いた．テストデータには，1,000文対を用いた．先行研究は，単文，重文複 文共に，人手で作成したフレーズ対261,453件中，130,893件をフレーズテーブル に追加した．一方，本研究は，単文，重文複文の学習データとして，100,000文 対を用いた．テストデータには，10,000文対を用いた．本研究は，翻訳対 1,085,344件中，単文で18,237件，重文複文で17,581件をフレーズテーブルに追 加した．その他の実験環境は同一の環境で実験を行った．表6.5に先行研究 の翻訳精度と本研究の翻訳精度を示す．表中の値はBLEU値である．

表 6.5: 先行研究との翻訳精度比較

テストデータ	先行研究		本研究
	ベースライン	提案手法	ベースライン	提案手法
単文	0.103	0.106	0.118	0.121
重文複文	0.077	0.080	0.082	0.084

先行研究は単文で0.3%，重文複文で0.3%向上している．一方， 本研究では単文で0.3%，重文複文で0.2%向上している．よって，ベースライン と提案手法の差はほぼ同じであることがわかる．

本研究の目的は，翻訳対の総数が多い``英辞郎''を使用し，カバー 率を向上させることによる，翻訳精度の向上であった．しかし，先行研究 では翻訳対を130,893件をフレーズテーブルに追加しているのに対 し，本研究では単文では18,237件，重文複文では17,581件であり，先行研究 のおよそ1/7しか追加していないため，本研究のintersectionを用いた翻訳確率 の付与方法は限界だと考えている．しかし，実験結果では，``英辞郎'' で作成した翻訳対を追加した時のベースラインと提案手法の差 と，先行研究において，人手で作成した翻訳対を追加した時のベー スラインと提案手法の差がほぼ同じであったことから，``英辞郎''で作成した翻 訳対をフレーズテーブルに追加する，提案手法は有効である．

今後の課題としては，より多くの翻訳対に翻訳確率を付与するための1つの方法 として，パーシャルマッチング[12]による，翻訳確率の付与方法を検 討している．