IDSによる 漢字情報処理 川幡　太一.

Presentation on theme: "IDSによる 漢字情報処理 川幡　太一."— Presentation transcript:

1 IDSによる 漢字情報処理 川幡　太一

2 IDSとは何か？ 構 ⿰ ⿰木冓 木 冓 ⿰木⿱𠀎冉 ⿱ ⿱𠀎冉 𠀎 冉 「漢字の構造」の表現
Ideographic Description Sequenceの略 ISO/IEC 10646:2003 Annex Fにて用法を規定 構 ⿰ ⿰木冓 木 冓 ⿰木⿱𠀎冉 ⿱ ⿱𠀎冉 𠀎 冉

3 IDSの意義 漢字構造情報の電子的表現 IDSの問題 漢字字形の定義・検索に利用可能。
漢字が７万文字を超えると、従来の方法では検索は困難に。 異体字の照合や判定・フォント合成・文字認識・OCR等にも応用可能。 IDSの問題 同じ漢字を複数の方法で表現できる。 同じ符号で包摂可能な漢字を異なる符号で表現できる。

4 漢字データベースプロジェクト http://kanji-database.sourceforge.net/ 様々な漢字情報を収集／整理
漢字字形はIDSでデータ化 UCS漢字 GB 7589/7590 の漢字 チュノム 拡張漢字E候補漢字 日本の国字（和製漢字の辞典） ある「漢字」が符号化されているか、または上記データにあるかをIDSで判別できるか？

5 IDSの課題 I. 必ずしも漢字部品の全てが、符号化されているとは限らない
例：乌　→ ⿹乌一（乌は符号文字にない） この問題については、台湾 CDP (Chinese Document Processing) の作成した「漢字部品外字フォント」が豊富な部品バリエーションがあり、多くの漢字の分解に利用可。 II. 特定の漢字符号に対して、IDSは必ずしもユニークにならない → 「正規化」による「比較可能性」が必要

6 IDSの多様性（１） 分割点によるIDSの相違 例 傾 傾 傾 ⿰ ⿰ ⿲ 亻 頃 化 頁 亻 匕 頁 ⿰亻頃　　⿰化頁　　⿲亻匕頁

7 IDSの多様性（２） 分割レベルによるIDSの相違 例： 峠 峠 ⿰ ⿰ ⿱ 山 𠧗 山 上 下 ⿰山𠧗　　　⿰山⿱上下

8 IDSの多様性（３） 垂／繞のかかる範囲の違い ⿰ ⿺ ⿸ ⿱ 麥 面 麥 面 鹿 射 鹿 射 ⿰麥面 ⿺麥面 ⿸鹿射 ⿱鹿射

9 IDSの多様性（４） ⿰ ⿰ ⿱ ⿱ 忄 青 忄 靑 衛 心 衞 心 統合可能な字形の違い
同じ符号が異なるIDSで表記できる場合の他にも、同じIDSが複数の符号に対応する、「重複符号化」の問題もある。

10 説文解字などを重視して意味的に漢字を分解しよう、という意識が働くとき、実際の物理的な分解方法とは異なるIDSが構成される可能性がある。
「意味的」IDSと「表示的」IDSの違い 旗 旗 街 街 ⿸ ⿰ ⿴ ⿲ VS. VS. ⿱ 㫃 其 方 行 圭 彳圭亍 𠂉 其 説文解字などを重視して意味的に漢字を分解しよう、という意識が働くとき、実際の物理的な分解方法とは異なるIDSが構成される可能性がある。

11 IDSの正規化 現実のIDSは、上記の５つの問題が複雑に絡み合い、「同一性」の判定をIDS文字列の単純な比較だけで行うのは困難。
解決に向けての４つの手段 IDS入力ルールの明確化 IDCの統合 IDS木構造の「正規化」 統合可能な漢字部品 (DC)の「正規化」または「同一視化」 過去に、IRG N1154として分解アルゴリズムを提案したことがあったが、処理が重すぎた。

12 IDS入力ルールの明確化 辧 辧 ⿴ ⿰ 辡 刀 辛 刀 辛 入力時のルールを、Annex F.3 に追加。 重ね合わせIDSは極力避ける
例：辧（説文「判也。从刀。辡聲。」）は「⿴辡刀」とせず「⿲辛刀辛」とする。 辧 辧 ⿴ ⿰ 辡 刀 辛 刀 辛

13 IDCの統合 IDSの比較の際、⿵⿸⿹は⿱に、⿺⿶⿷は⿰に統合し、また⿶はノードの左右を入れ替えて、⿱に統合する。 凶 凶 ⿶ ⿱ 凵 㐅 㐅 凵

14 IDS木構造の正規化（１） 傾 傾 ⿰ ⿲ 亻 ⿰ 亻 匕 頁 匕 頁
IDSの「⿲／⿳」と「⿰／⿱」の曖昧さを避けるため、⿲ABCは⿰A⿰BC等に置き換える。 傾 傾 ⿰ ⿲ 亻 ⿰ 亻 匕 頁 匕 頁

15 IDS木構造の正規化（２） 儲 儲 ⿰ ⿰ ⿰ 者 亻 ⿰ 亻 言 言 者
IDSの「分割点」の曖昧さを避けるため、木のノードのIDCと、その左枝のIDCが同じ場合は、当該IDCを右側に移動する。 儲 儲 ⿰ ⿰ ⿰ 者 亻 ⿰ 亻 言 言 者

16 IDS木構造の正規化（３） （儲） （儲） （儲） ⿰ ⿰ ⿰ 信 者 ⿰ 者 亻 ⿰ 亻 言 言 者
前ページのルールは、ノードのIDCの左下の漢字が、当該ノードのIDCと同じIDCで分解可能な場合にも、分解して適用する。 （儲） （儲） （儲） ⿰ ⿰ ⿰ 信 者 ⿰ 者 亻 ⿰ 「信」は「⿰亻言」と展開でき、右上ノードとIDCが一致する。 亻 言 言 者

17 IDS木構造の正規化（４） （儲） （儲） （儲） ⿰ ⿰ 儲 亻 ⿰ 亻 諸 言 者 IDSの縮約
IDS木の正規化後、IDS木の葉が符号化漢字(DC)の場合は、ノードのIDSをデータベースから検索、該当漢字があれば置換を行う。 （儲） （儲） （儲） ⿰ ⿰ 儲 亻 ⿰ 亻 諸 言 者

18 IDS木構造の正規化（５） IDS木構造の正規化例（１） ⿰ ⿰ ⿰ ⿲ A ⿰ ⿰ ⿰ ⿰ ⿰ B C A1 A2 A3 B C A1 B
処理ノードのIDCが横方向に分解でき、かつその左側の文字Aが、IDSデータベース上は⿲A1A2A3と横方向に分解できる場合、Aはいったん、正規化のために分解する。 ノード左の漢字をIDS木構造に分解した場合は、そのノードに対しても正規化処理を再帰反復実行する。 A1 A2 A3

19 移動後、処理ノードを右側ノードに移動し、同様の処理を再帰反復する。
IDS木構造の正規化（６） IDS木構造の正規化例（２） ⿰ ⿰ ⿰ 一致 ⿰ ⿰ ⿰ ⿰ A1 A1 一致 ⿰ ⿰ ⿰ A1 B C ⿰ A2 A2 A3 A2 A3 B C A3 ⿰ B C 処理ノードの左側が同じIDCの場合、当該IDCの左側を処理ノードの左側（A1)に、右側を新設した処理ノード右側ノードの左側に、処理ノード右側を新設ノードの右側に移動する。 移動後、処理ノードを右側ノードに移動し、同様の処理を再帰反復する。

20 IDS木構造の正規化（６） IDS木構造の正規化例（３） ⿰ ⿰ ⿰ ⿰ ⿰ ⿰ A1 A1 A1 ⿰ ⿰ A2 A2 A2 X A3 ⿰
⿰BC B C ⿰BCがIDSデータベースに存在していなくても、⿰A3⿰BCに対して、Xがデータベースに存在する場合がある。 処理ノードの左右がDCの場合、IDCとの組み合わせで、IDSのデータベース（ハッシュまたはトライ木）を検索する。該当漢字が検索できない場合は文字列を上ノードに返す。

21 DC部品の正規化（１） 漢字の構成部品として「同等」と考えられるものが存在する。 異符号を持つ同等な部品の判定には２つの方法がある。
IDSデータの格納時に「片寄せ」正規化 メリット：単純／高速 デメリット：硬直的／片寄せ処理の無限ループ化を防止する方法が必要 IDSデータ比較時に全「同等パターン」組み合わせを生成、全比較 メリット：柔軟性／応用性が高い デメリット：比較処理が複雑で遅くなる。

22 DC部品の正規化（２） 片寄せ時の無限ループ問題 対策として、同等と考えられる部品のうち、「画数がもっとも小さいもの」に寄せる。 臭 犬 ⿱
「犬／大」のような部品は、同等とみなして「犬」に寄せると、「大」と「丶」に分解され、分解がループする。 対策として、同等と考えられる部品のうち、「画数がもっとも小さいもの」に寄せる。 「漢字画数データベース」を整備 臭 犬 分解 分解 ⿱ ⿺ 片寄せ正規化 自　　大 片寄せ正規化 大　　丶 無限ループ化

23 IDS正規化アルゴリズムのまとめ IDS木構造の最上位ノードから正規化処理を行う IDS木構造の最上位ノードから文字合成処理を行う。
対象ノードのIDCが⿵⿶⿷⿸⿹⿺／⿲⿳ならばIDCを正規化する。 対象ノードのIDCと、左側IDCが一致したら、木の組み替えを行う。（⿰⿰ABC → ⿰A⿰BC) 対象ノードのIDCと、左側文字の潜在IDCが同じならば、左側ノード文字のIDS分解と正規化を行う。 対象ノードの左側DCを（片寄せの場合は）正規化し、右側ノードを対象ノードにして再起的に処理を行う。 左右のノードがDCのノードに到達したら終了。 IDS木構造の最上位ノードから文字合成処理を行う。 対象ノードの全子ノードがDC/IDSならば、ノード全体でIDSを構築してIDSデータベースを検索する。 符号化漢字がヒットしたらその文字列を返す。 符号化漢字がヒットしない場合は、IDSをそのまま返す。 対象ノードの子ノードが木構造なら再帰処理を行う 処理終了時には正規化IDSが完成

24 本アルゴリズムの特徴 アルゴリズムが単純 （全分解して、可能性のある全パターンを検索する方法※に比較した場合）
再帰を使えば非常に短いコードで記述可能。 高速動作 低メモリ消費 ※ IRG N1154で発表し、IRGにおける重複漢字チェックに使用したアルゴリズム

25 まとめ IDSは漢字構造を記述。（部品としてはCDP外字が便利）
IDSは漢字の検索／照合／フォント合成／OCRなど、様々な応用が考えられる。 IDSによる照合処理には正規化が必要。 IDSの正規化には、「意味的 vs. 表示的IDS」「分割点」「IDCの正規化」「DCの正規化」の問題がある。 本発表で提案するアルゴリズムは、上記の課題を高速・低メモリで解決することを可能にする。