コーパスへの自動アノテーションツールとアノテーション支援環境の構築

摘要

1990年代以降，電子的な言語データが入手可能になるとともに，大規模言語データ（コース）に基づく言語処理が盛んになった．米国では，1993年にLDC (Linguistic Data Consortium) が発足し，研究あるいは商用に利用可能な言語データ（コーパス，辞書など）が精力的に収集された．その中の代表的なコーパスであるPenn Treebank [Marcus 93 ] は，Wall Street Journal の約100万語の記事の各文を句構造解析し，単語に品詞が付与された解析済みコーパス（タグ付きコーパスとも呼ばれる）であり，自然言語処理の分野で最もよく使わ れているコーパスである．日本でも同時期にEDR電子化辞書とEDRコーパスが公開され，大規模な共通データが使える環境が急速に整った．