# 形態素解析器『Sudachi』のための大規模辞書開発 > 坂本美保(株式会社ワークスアプリケーションズ)・川原 典子(株式会社ワークスアプリケーションズ)・久本 空海(株式会社ワークスアプリケーションズ)・髙岡 一馬(株式会社ワークスアプリケーションズ)・内田 佳孝(株式会社ワークスアプリケーションズ) > 我々は，汎用的な日本語形態素解析器『Sudachi』とその辞書を開発した。本稿では，Sudachiの辞書開発内容について述べる。我々は，まず，UniDicをベースとして，見出し表記，品詞，各種パラメータ等，形態素解析をするための辞書情報を整えた。次に，実用上UniDicに不足している語句を見出しとして追加した。これには，NEologdから取り込んだ膨大な固有名称も含まれる。さらに，登録見出しについて，アプリケーションが利用しやすい形態素単位の整備，表記のゆれを同一視するための正規化表記の整備等を行い，辞書内容を充実させた。また，形態素解析精度の向上のため，UniDic由来の見出しについても，弊害となる見出しの抑制や間違いの修正，形態素単位の調整を行った。我々のこれまでの成果は，最新版の辞書ソースに反映しOSSとして公開している。 > <https://repository.ninjal.ac.jp/records/1660> 这篇论文也和 [[奈良先端科学技術大学院大学]] 的松本研究室有点关系。 > まず，UniDicをベースとして，見出し表記，品詞，各種パラメータ等，形態素解析をするための辞書情報を整えた。 > UniDic では,言語の形態論的側面に着目して規定された短単位7で見出し 登録されている。そのため,たとえば語義を取り扱いたい場合や語彙調査をする場合には そのままでは不足が生じる。一方,NEologd では,複数の短単位から成る固有表現が一塊 で登録されているため,そのまま検索システムで利用すると再現率が低くなる等,支障が ある8。 重点就是这里的[[短单位]]， [[UniDic]] ![[Sudachi 自定义词典说明书#フォーマット]] [[大辞泉]] 0 見出し (TRIE 用) trie_entry 4 見出し (解析結果表示用) analysis_display_entry 5 品詞1 pos1 6 品詞2 pos2 7 品詞3 pos3 8 品詞4 pos4 9 品詞 (活用型) cType 10 品詞 (活用形) cForm 11 読み lForm 12 正規化表記 normalized_form 0 見出し (TRIE 用) trie_entry 1 左連接ID left_connection_id 2 右連接ID right_connection_id 3 コスト cost 4 見出し (解析結果表示用) analysis_display_entry 5 品詞1 pos1 6 品詞2 pos2 7 品詞3 pos3 8 品詞4 pos4 9 品詞 (活用型) cType 10 品詞 (活用形) cForm 11 読み lForm 12 正規化表記 normalized_form 13 辞書形ID dictionary_form_id() 14 分割タイプ segmentation_type 15 A単位分割情報 a_segmentation_type 16 B単位分割情報 b_segmentation_type 17 ※未使用 unused_field ![[「UniDic」国語研短単位自動解析用辞書 FAQ#Ｑ 列名の英語と日本語の対応関係がわかりません。]]