よみがな自動処理への道【１】その名は「めかぶ」

Friday,September 2

よみがな自動(じどう)処理(しょり)への道(みち)【１】その名(な)は「めかぶ」 (03 photos)

漢字(かんじ)によみがなをうつ処理(しょり)。
前回(ぜんかい)、前々回(ぜんぜんかい)のログでは、スタジオムーンリーフでおこなっている「半(はん)自動(じどう)処理(しょり)」のやり方(かた)をご紹介(しょうかい)しました。

このやり方(かた)は、漢字(かんじ)に対(たい)してオールマイティにどんなよみがなもうてるという長所(ちょうしょ)はあるものの、「文章(ぶんしょう)を組(く)みあげるのに時間(じかん)がかかる」「誤字(ごじ)・脱字(だつじ)のリスクがあがる」という短所(たんしょ)もあります。

ながいあいだ、この短所(たんしょ)を補(おぎな)う方法(ほうほう)はないものかと頭(あたま)を悩(なや)ませておりました。

さて。
世(よ)のなかにはテキストを解析(かいせき)するプログラムが存在(そんざい)します。
文章(ぶんしょう)を文節(ぶんせつ)に区切(くぎ)って、品詞(ひんし)をつきとめるプログラムです。
この解析(かいせき)手法(しゅほう)は「形態素(けいたいそ)解析(かいせき)」と呼(よ)ばれており、英語(えいご)のみならず日本語(にほんご)においても研究(けんきゅう)が進(すす)められてきました。

「形態素(けいたいそ)解析(かいせき)」プログラムは、身近(みぢか)なところではインターネットの検索(けんさく)窓(まど)に入力(にゅうりょく)される検索(けんさく)語(ご)を解析(かいせき)して検索(けんさく)候補(こうほ)を表示(ひょうじ)するときに使(つか)われたり、音声(おんせい)解析(かいせき)プログラムに使(つか)われたりしています。

形態素(けいたいそ)解析(かいせき) - Wikipedia
https://ja.wikipedia.org/wiki/%E5%BD%A2%E6%85%8B%E7%B4%A0%E8%A7%A3%E6%9E%90

「スタジオムーンリーフのような弱小(じゃくしょう)事業(じぎょう)所(しょ)じゃ、導入(どうにゅう)するのは難(むずか)しいだろうなあ」と考(かんが)えておりましたら、なんとフリーで配布(はいふ)されている「形態素(けいたいそ)解析(かいせき)」プログラムを見(み)つけてしまいました。

その名(な)は「Mecab（和布蕪(めかぶ)＝めかぶ）」です。

Mecab（和布蕪(めかぶ)＝めかぶ）
http://taku910.github.io/mecab/

コマンドラインから日本語(にほんご)を入力(にゅうりょく)すると、形態素(けいたいそ)解析(かいせき)結果(けっか)を出力(しゅつりょく)してくれるプログラムです。
ダウンロード、インストールともにフリー。
なんてありがたい。

この機能(きのう)を使(つか)えば、よみがなを全(ぜん)自動(じどう)でうてるようになるかもしれないと、さっそくダウンロード＆インストールいたしました。

しばらくのあいだ、このログではMecab（和布蕪(めかぶ)＝めかぶ）導入(どうにゅう)までの道筋(みちすじ)と、よみがな自動(じどう)処理(しょり)を確立(かくりつ)するまでの奮闘(ふんとう)をお伝(つた)えしたいと思(おも)います。

インストールした環境(かんきょう)のOSはWindows7です。
Mecabはコマンドで入力(にゅうりょく)するタイプのプログラムなので、おそらくWindows8でもWindows10でも動(うご)くかと思(おも)います。

まず、インストールしたMecabを起動(きどう)するとこんな味気(あじけ)ない画面(がめん)が表示(ひょうじ)されます。

よみがな自動処理への道【１】その名は「めかぶ」_sb_01.png

まあ、なんて味気(あじけ)ない画面(がめん)

コマンドプロンプトの使(つか)いかたと同(おな)じです。
ためしに、今回(こんかい)のログのタイトルをコピペして形態素(けいたいそ)解析(かいせき)をやってみます。

よみがな自動処理への道【１】その名は「めかぶ」_sb_02.png

コピペ、コピペ

そしてEnter。
Mecabによる形態素(けいたいそ)解析(かいせき)がおこなわれます。

よみがな自動処理への道【１】その名は「めかぶ」_sb_03.png

はい、ごにょごにょと表示(ひょうじ)されました

デフォルトだとこのように解析(かいせき)されます。

ようく見(み)てください。
それぞれの行(くだり)の最後(さいご)の項目(こうもく)は「発音(はつおん)読(よ)み」、最後(さいご)から２番目(ばんめ)の項目(こうもく)が「読(よ)み」の解析(かいせき)データです。
ひらがなとカタカナはどうでもいいですが、漢字(かんじ)に対(たい)してもちゃんと「読(よ)み」が解析(かいせき)されています。

今後(こんご)、これを利用(りよう)することを考(かんが)えていきます。

さしあたり、コマンドプロンプトからMeacabを使(つか)えるようにしたいと思(おも)いますが、それはまた次(つぎ)のログで。

ちなみに、コマンドプロンプトを終了(しゅうりょう)する場合(ばあい)は「exit」コマンドを入力(にゅうりょく)すればいいですが、Mecabは常(つね)に解析(かいせき)文(ぶん)の入力(にゅうりょく)待(ま)ちの状態(じょうたい)なので「exit」と入力(にゅうりょく)しても終了(しゅうりょう)しません。
ウインドウ右(みぎ)上(じょう)の「×」ボタンをクリックするか、Ctrl+Cで強制(きょうせい)終了(しゅうりょう)させます。

≫ NEXT_LOG よみがな自動(じどう)処理(しょり)への道(みち)【２】パスれ！(07 photos)

≪ PREV_LOG 漢字(かんじ)によみがなをうつ【後編(こうへん)】(02 photos)