手順

検出は以下の手順で行う．

手順１

ChaSen[9]による形態素解析で，分野の異なる2つの文書(ここでは文書A，文書Bとおく．できるだけ大量のデータであることが望ましい)から対象語列を抽出する．

手順２

それぞれの文書での対象語列の出現頻度を調べる(例として表3.1を参照．$fr_{b}$は ブログの文書での頻度)．

手順３

文書Aと同じ分野の文書Xで誤り検出をしたい場合， 文書Aでの出現が0回であり，文書Bでの出現が多い対象語列を文書Xで探し， 見つかればそれを誤りの可能性があるものとして出力する．

ここで，対象語列の取り出し方について，図3.1の例文を用いて説明する． 図3.1の例文に対して，ChaSenによって形態素解析を行ったときの出力は，図3.2の通りである．

図: 例文

図: ChaSenによる形態素解析の出力

この例では下線で示した部分が対象語列である． 連続しているものについては間に「+」を入れて，文書A，Bでの頻度情報と合わせてデータベース化し，検出に用いる． 表3.1では，4章で使用している，新聞頻度1の対象語列を示している．文書Bの頻度(ここではブログの頻度である$fr_{b}$)が高くなるほど，口語的なものが多く含まれていることがわかる．

全体的な流れを，例を用いて図3.3に示す． ただし図中での対象語列の頻度は，わかりやすく示すための作例であり，実際の頻度とは異なる． 図3.3では修正対象を新聞としている．「だよねぇ。」が新聞では出現頻度が0回，ブログでは出現頻度が40回なので，誤りとして出力をしている．

表: 新聞での出現が1回の対象語列の出力例

図: 実験の流れ