形態素解析データベース

実験データとして電話帳の企業名を使用した。電話帳から企業数約440万件を 選出し、人手によって形態素解析を行なった（以下、形態素解析データベース）。 このデータベースを学習データとして単語辞書および$N$-gramの連鎖確率値の 計算に使用した。また、新規の企業名1万件を電話帳から抜き出し、これを testデータとした。

表1に形態素解析データベースの例を示す。

表 1: 形態素解析データベースの例

企業名	形態素解析データ
（入力データ）	（出力データ）
あさひだるま	あさひ+だるま
お好み焼童子	お好み焼%童子
くるまやラーメン	くるま$\vert$や+ラーメン
ろばた焼童子	ろばた焼%童子
江南赤童子店	江南%赤童子$\vert$店

本データベースには、３種類の単語区切りが使用されている。 これらの単語区切りの意味を以下に示す。

$\vert$

: 接辞境界

接辞境界の前後は接頭語もしくは接尾語になる。 （例：や、店）

$+$

: 単語境界

本論文ではキーワード検索を目的としたため、本データベースの単語は、通 常の形態素解析の単語より短い傾向にある。 （例： あさひ、だるま）

%

: アクセント句境界

本データベースは、合成音声で企業名を出力できるようにするため、人間がポー ズをつける単語境界をアクセント句境界とした[2]。