(2)事例数と構造規則の関係について

表1で示されるように，実験では，学習事例に含まれる名詞の種類は，異なり意 味属性数から見て，半分弱に止まっており，決して，網羅的とは言えないが，得 られた構造規則のカバー率は，表2に示されるように89.8%に上っている．この ことから，本方式では，比較的少ない事例から，カバー率の高い構造規則が得ら れることが分かる．

次に，得られた構造規則の数と精度について見ると，表2の結果では，意味属性 を使用した構造規則として，名詞句の事例1万件から1,815件の係り受け構造規 則が得られている．本方式では，意味属性によって表現構造とクラスの関係が規 定できる事例から構造規則は生成され，それ以外の事例は，字面のままの規則と して残されるから，得られた構造規則において，元の事例の持つ情報量は失われ ない．従って，用例翻訳(長尾 1984;佐藤 1992)など，用例そのものを使用す る方法に比べ，精度を落とすことなく，言語知識を$1/5$以下に圧縮する効果が 期待できる ，また，本方式で得られた構造規則は，意味属性番号や文法属性番 号を意味属性名や文法属性名に書き換えると，可読性が高いから，人手によって さらに圧縮できる可能性がある．

ところで，最近の記憶装置の価格を考えると，実用上，規則数が多少多いことは あまり問題にならなくなってきた．これに対して，すでに述べたように，言語表 現はきわめて多彩であり，構造的，意味的な曖昧性を解消するための知識を人手 によって集積するのは，依然として，大変困難な課題である．本論文で提案した 方法は，比較的少量の標本から，表現とその解釈に関する精度の良い構造知識を 手軽に収集できる方法として，実用性が高いと期待できる．