1. 長岡技術科学大学 自然言語処理研究室
修士1年 西山 浩気

2.  ニューラル文字埋め込み(neural character embedding)
を用いたスペル修正手法の提案
◦ 発音情報を取得
◦ 編集距離によらず、計算時間が短い
 高い正解率と高速な計算を達成
◦ 編集距離 2 以下で 正解率99%
2

3.  スペル修正
◦ 例: ワープロ、ブラウザ、検索エンジン...
◦ 正しい綴りの単語辞書を利用
 従来手法
◦ 正しい綴りと誤った綴りの距離の尺度を利用
◦ Levenshtein距離
3

4.  noisy channel model[Norvig, 2009]
◦ スペルミスのある単語と辞書のすべての単語の
Levenshtein距離を計算
 計算時間が長く、リアルタイム修正は困難
 日本語・韓国語では50万語
◦ 改善案
 ある閾値以下の編集距離までの全ての単語を生成し、
単語辞書に存在する場合正しい綴りに置き換え
 編集距離が2より大きい場合、計算コストが高
4

5.  高精度な探索空間縮小手法の提案
◦ 教師無し学習
◦ 探索スペース縮小による、計算速度向上が目的
5

6. 1. C2Vmap作成の準備
◦ 辞書に含まれる単語から発音情報を取得
 連続して母音・子音が続く箇所で分割
 例 : “affiliates” ⇒ “a ff i l ia t e s”
2. word2Vecで発音情報ベクトル(C2Vmap)を学習
◦ 学習にはSkip-gramを使う
◦ 発音の条件確率をn次元のベクトル表現に
6
 
 
 
 













......
...
...
...
n
ai
tr

7. 3. 辞書に含まれる単語の発音ごとにC2Vmapをあ
てはめる
 例 : “affiliates”
7
                ...,...,...,...,...,...,...,... setialiffa

8. 1. スペルミスのある単語のn次元ベクトルを構築
◦ 単語辞書から構築したC2Vmapを利用
◦ 例 : “affilaites”
2. ミススペルと最近傍の単語を取得
◦ Ball Treeアルゴリズムを利用
8
                ...,...,...,...,...,...,...,... setailiffa

9.  単語辞書
◦ 109,582語
 評価データ : Birkbeckスペルエラーコーパス
◦ 109,897語
◦ 編集距離10以上の語も存在
 評価指標
◦ 正解率:
9
[%]100
評価データ中の単語数
ることができた単語数正しいスペルを推定す

10. ◦ k=5000, n = 100 において最大値 88.20%
 サンプルごとに計算時間 52[ms]
◦ n=25(低次元)においてもn=100より僅かな減少
 k, n を柔軟に変化させることができる
10

11.  スペル修正のための探索手法について提案
◦ 探索空間削減・正解率の両方において有効性を示した
 編集距離2以下 : 99.6%
 編集距離3以下 : 97.9%
 C2Vmap作成のために発音情報を利用
◦ 子音・母音が連続する箇所で分割
◦ 今後さらなる改良を模索
11