IDS
This presentation is the property of its rightful owner.
Sponsored Links
1 / 25

IDS による 漢字情報処理 PowerPoint PPT Presentation


  • 93 Views
  • Uploaded on
  • Presentation posted in: General

IDS による 漢字情報処理. 川幡  太一. IDS とは何か?. 「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. IDS の意義. 漢字構造情報 の電子的表現 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

Download Presentation

IDS による 漢字情報処理

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Ids

IDSによる漢字情報処理

川幡 太一


Ids

IDSとは何か?

  • 「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

⿰木冓

⿰木⿱𠀎冉

⿱𠀎冉

𠀎


Ids

IDSの意義

  • 漢字構造情報の電子的表現

    • 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。


Ids

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?


Ids

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


Ids

IDSの多様性(1)

  • 分割点によるIDSの相違

⿰亻頃  ⿰化頁  ⿲亻匕頁


Ids

IDSの多様性(2)

  • 分割レベルによるIDSの相違

    例:

𠧗

⿰山𠧗   ⿰山⿱上下


Ids

IDSの多様性(3)

  • 垂/繞のかかる範囲の違い

鹿

鹿

⿸鹿射

⿱鹿射

⿰麥面

⿺麥面


Ids

IDSの多様性(4)

  • 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。


Ids

IDSの多様性(5)

  • 「意味的」IDSと「表示的」IDSの違い

VS.

VS.

彳圭亍

𠂉

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。


Ids

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。


Ids

IDS入力ルールの明確化

  • 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

    • 「意味論的」ではなく「表現的」なIDSのみ

      • 例:辧(説文「判也。从刀。辡聲。」)は「⿴辡刀」とせず「⿲辛刀辛」とする。


Ids

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。


Ids

IDS木構造の正規化(1)

  • IDSの「⿲/⿳」と「⿰/⿱」の曖昧さを避けるため、⿲ABCは⿰A⿰BC等に置き換える。

亻匕頁


Ids

IDS木構造の正規化(2)

  • 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。


Ids

IDS木構造の正規化(3)

  • 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」は「⿰亻言」と展開でき、右上ノードとIDCが一致する。


Ids

IDS木構造の正規化(4)

  • 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)


Ids

IDS木構造の正規化(5)

  • IDS木構造の正規化例(1)

A

A1

B

C

B

C

B

C

A1 A2 A3

A3

A2

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


Ids

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

A3

B

C

A2

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。


Ids

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

⿰BC

A3

A3

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。


Ids

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。


Ids

DC部品の正規化(2)

  • 片寄せ時の無限ループ問題

    • 「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

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


Ids

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

    • 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


Ids

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


Ids

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。


  • Login