Musashino University Academic Institutional Repository

横山, 隆壽

YOKOYAMA, Takahisa

BAT - based aprooaches for regulating mercury emission in Minamata Convention, Industrial Emissions Directive (EU) and Clean Air Act (USEPA)

武山, 尚道

TAKEYAMA, Hisamichi

Japanese

The choice for resolving waste plastic problems, Recycling or Energy recovery

村松, 陸雄

Muramatsu, Rikuo

A Study on the Images and Expectations of Environmental Studies.

田丸, 恵理子

新入学生の情報リテラシーに関する実態調査

Charoenporn, Thatsanee

Sornlertlamvanich, Virach

Suriyachay, Kitiya

武蔵野大学学術機関リポジトリ　Musashino University Academic Institutional Repositry
タイ語における固有表現抽出とコーパスの改善
著者（英） Charoenporn Thatsanee, Sornlertlamvanich
Virach, Suriyachay Kitiya
雑誌名 武蔵野大学アジアAI研究所紀要
号 1
ページ 9-16
発行年 2020-03-25
URL http://id.nii.ac.jp/1419/00001118/
 
9 
 
 
 
[論文] 
タイ語における固有表現抽出とコーパスの改善 
 
Improvement of Thai NER and the Corpus 
 
Thatsanee Charoenporn 
Virach Sornlertlamvanich 
Kitiya Suriyachay 
 
概要 
固有表現抽出（NER）は，膨大な量のテキスト処理に非常に有効だが，タイ語の固有表現（NE）
コーパスはほとんど見られない．既存の NE タグ付きコーパスは，一貫性がなくばらばらの注釈
のため，我々は BiLSTM-CNN-CRF モデルと単語，品詞，および文字クラスターの埋め込みを使用
した反復 NER 改良手法を提案する．その結果，新しく生成されたコーパスでは，元のサイズの
172,232NEタグよりもはるかに大きい 639,335NE タグを取得し，新しく生成されたコーパスによ
って生成されたモデルは，NER F1スコアを 16.21％改善し 89.22％に達した． 
 
1. はじめに 
情報抽出（IE）のパフォーマンスは，単語の分割，POS タグ付け，特に固有表現抽出（以下
NER）など，多くの NLP の前処理に依存する． NER の役割は，対象テキスト内の特定の固有名詞
を自動的に識別し，分類することである． 
これまで，さまざまなアプローチで多くの言語の NER に関する研究が行われてきた．しかし，
タイ語の NER はまだ限られている．タイの NER にはいくつかの課題がある．まず第一に，英語
や他のヨーロッパ言語とは異なり，タイ語には単語の境界が存在しない．タイ語は暗黙的に認
識され，時に不正確な個人の判断に依存する．誤った単語の識別は，単語レベルよりも上位の
認識に大きく影響する． 同様に，不正確な単語のセグメンテーションは，不正確な NER につな
がる．第二に，固有表現を抽出するための書記体系に大文字が存在しない．ただし，場合によ
っては，人名や機関名などの固有名詞を識別するマーカーが存在する． 
さらに，単語がセグメント化され，NE タグでマークされると，コーパス全体の NE タグの一貫
性も無視できない重要な問題となる．一貫性がないと，以降のプロセスで障害が発生するため
である．本論文では，既存の NE コーパスをクリーンアップし，タイ語の NER タスクモデルを作
成する際の一貫性を検証する方法を提案する．その結果，BKD（Bangkok Data）NE コーパスは
NE シルバースタンダードコーパスとして新しくリリースされることになる． 
 
 
10 
 
 
 
2. タイ語のコーパス 
タイ語は，タイ内外の人口 6,500 万人によって使われている独自の言語である．タイ語には
44 の子音文字と 18 の母音文字があり，5 つのトーン（4 つの音調記号）が存在する．文の語順
は，構文の役割を説明し，意味を伝えるために不可欠な役割を有している．書記体系では，タ
イ語には英語で見られるような明確な単語と文の境界も，文や名前のエンティティの開始に用
いられる大文字も存在しない． 
タイ語の利用者数は限られているが，タイ言語学と自然言語処理の分野では，分析と研究の
ためのコーパスとツールが継続的に開発されている．しかし，まだ一般公開されているリリー
スの数は限られている．1997 年の ORCHID から始まり，最初のタイの POS タグ付きコーパスは，
日本の通信技術研究所と電気技術研究所とタイの NECTEC との共同研究である（Thatsanee et 
al,1997）．現在，タイ語英語並列コーパス，タイ語音声コーパス，タイ語文字画像コーパスも， 
NECTEC により Creative Commons Attribute 3.0 License の下で公開されている．2006 年にチ
ュラロンコン大学によって開始された Thai National Corpus は，TEIP4 規格でマークアップさ
れた現在のタイ語のテキストのコレクションと， 単語の境界とローマ字表記を提供している．
現在，コーパス，語彙集，ソフトウェアライブラリを含むいくつかのタイの自然言語処理リソ
ースは，タイの NLP グループによって収集されており，オンラインでアクセス可能である
（Kobkrit,2019）．ただし，提供されるコーパスのサイズはいまだに限られたものとなってい
る． 
 
3. タイ語の固有表現構築の課題 
タイ語 NE コーパスに準拠するとしても数または規模に制限がある． THAINEST （THAINamed 
Entities Specification and Tools）は単語のセグメンテーションと固有表現を持つ唯一のオ
ープンで一般的なタイ語コーパスである． コーパスは，21 の出版社からの 7 つの主要カテゴリ
に関する 300,000 を超えるタイのオンラインニュース記事で構成されており，それらは単語ご
とに分割され，人名，組織名，地名，日付，時刻，測定値，名前を含む７つの固有表現カテゴ
リでタグ付けされている（Theeramunkong et al,2010）． 図 1 は，THAI-NEST が提供する NE
コーパスを示している． 
 
 
11 
 
 
 
 
図 1 : THAI-NEST Corpus 
 
コーパスから，注釈が付けられたNEに対していくつかの試みが行われている．しかしながら，
いくつかの課題をオリジナルのタグ付き NE コーパスバージョン 0.1（N/A）に見ることができる． 
NE タグ付けのプロセス中に発生した課題には，単語分割の正確性，NE タグ割り当ての正確性，
およびコーパスに沿って割り当てられた NE タグの一貫性が含まれている． 単語のセグメンテ
ーションと POS の割り当ての誤りが，「มี．ค」[3 月]または「อบจ」[地方行政機関]などの略語で
見つかることがある．それらが発生すると，結果として一部の NE タグも不正確に割り当てられ
る．図 2（a）および 2（c）は，NE タグの割り当てが正しくない例を示している．図 2(a)の สอดส่อง/ 
VACT / O，および図 2（c）の แมนเชสเตอร์/ NPRP / O および ยไูนเตด็/ NPRP / Oは，それぞれ図 2（b）お
よび（d）に示すように，NE-PER および NE-NAMとしてタグ付けする必要がある． 
 
 
図 2 : Incorrect and correct tag assignment. 
 
 
12 
 
 
 
 
  
 
図 3 :Inconsistency of Common Noun and  図 4 :Inconsistency of Number, Proper Noun and          
NE-TIM tag assignment.                NE-DAT tag assignment. 
 
 
コーパス全体のタグ付けの一貫性は，もう 1 つの課題である．元のコーパスから，図 3（a）
および（b）に示すように，NE と他のカテゴリ間でタグの割り当てに矛盾があることがわかった．
「เท่ียง」は Common Noun（NCMN）および NE-TIM としてタグ付けされている．さらに，図 4（a）お
よび（b）は，番号（DONM），固有名（NPRP），および NE-DAT 間の一貫性のない誤った NE タグ
割り当ての例を示している． 
 
 
               図 5 : Thai Name Entity Tagging Cleaning up Process. 
 
4. タイ語の固有表現タグ付け 
固有表現タグを推論するための BiLSTM-CNN-CRF モデル（Ma および Hovy，2016）を作成する
ための組み合わせをおこなった．  
図 5 に示すように，各単語の文字レベルの表現は CNN によって計算される．各埋め込みステ
 
13 
 
 
 
ップから，単語，POS タグ，および文字クラスターのベクトル表現を取得する． これらのベク
トルは，Bi-LSTM レイヤーに入力される前に連結される． Bi-LSTM の入力ベクトルと出力ベク
トルの両方にドロップアウトレイヤーを適用して，過剰適合を防ぎ，モデルを正規化する． ド
ロップアウトは，トレーニング中にネットワークからノードをランダムにドロップアウトする
ことで機能する． 最後に，Bi-LSTM 層の出力ベクトルは CRF 層を通過し，NE タグの最も可能性
の高いシーケンスを選択するために，Viterbi アルゴリズムを介してデコードされる． 
 
5. BANGKOK DATA NAME ENTITY CORPUS について 
この章では，提案されているスキーマと Bangkok Data Name Entity Corpus 2019の特性につ
いて説明する． 
 
5.1. コーパスのマークアップスキーマ 
元の NE コーパスに対して提案されたマーカーには，1）ファイル情報マーカー，2）行番号お
よび特別なマーカーの２種類がある． 以下の表 1 は，ファイル情報のマークアップスキーマを
示している． 
 
表 1: The Mark-up Schema of File Information 
 
 
5.2. 行数およびその他の特別なマークアップスキーマ 
表 2 に示すように，段落の数と文の数をあらわす２種類の行マーカーがある．表 3 は，追加
情報とタグを伝えるためにコーパスで使用される特別なマーカーを示している． 
 
 
 
 
 
 
14 
 
 
 
表 2: The Mark-up Schema of Line Number 
 
 
表 3: The Special Mark-up Delimiters 
 
 
 
5.3. NE タグのアノテーション 
品詞のアノテーションに従い，我々は ORCHID が提供する POS タグセットに倣うことにする． 
コーパスで提供される NE タグセットは，表 4 に示すように，日付，場所，測定値，名前，組織，
個人，および時刻で構成されている． さらに，文中の NE のチャンクまたはコンポーネントを
識別するために，BIO 形式が採用されている．「B」はチャンクの始まりを示し，「I」はチャン
ク内で発生した NE の位置を示している．「O」は，その単語がどのタイプの NE にも関係しない
ことを示すためにマークされている． 図 6 と図 7 は，タイ語と英語の翻訳における現在のタイ
語の NE コーパスを示している． 
 
6. 結論 
我々は，もともと THAI-NEST によって提供された NE コーパスを用い，アノテーションの一貫
性を検証し，作成されたモデルに繰り返しアノテーションを付けなおすことで，POS と N/Aによ
ってタグ付けされた固有表現に取り組んだ． NE タグの数を増やし，NER モデルの開発における
追加の NE タグの文脈抽出をおこなうために，THAI-NEST の 7 つの NE タグ付きファイル間でのク
ロスアノテーションを広範に実施した． 新しく生成されたコーパスは，639,335 NE タグで構成
されている． 修正された NE タグ付きコーパスは，BiLSTM-CNN-CRF モデルで単語，品詞，およ
び character embedding アプローチを使用して，NER F1スコアを 16.21％改善し，89.22％を記
録した． 次のステップは，ORDHIDへの NE タグ付けを行い，研究目的用に提供することである． 
 
 
 
 
15 
 
 
 
表 4: The Thai Name Entity Tagset 
 
 
 
参考文献 
[1] Kobkrit (2019). Thai NLP Resource. Retrieved from 
https://github.com/kobkrit/nlp_thai_resources. 
[2] Thatsanee Charoenporn, Virach Sornlertlamvanich and Hitoshi IsaharaCastor, 
Building A Large Thai Text Corpus---Part-Of-Speech Tagged Corpus: ORCHID. Proceedings 
of the Natural Language Processing Pacific Rim Symposium, 1997.  
[3] Theeramunkong, T., Boriboon, M., Haruechaiyasak, C., Kittiphattanabawon, N., 
Kosawat, K., Onsuwan, C., Siriwat, I., Suwanapong, T., and Tongtep, N. (2010). THAI-NEST: 
A framework for Thai named entity tagging specification and tools. Proceedings of the 
2nd International Conference on Corpus Linguistics (CILC10), Spain.  
 
16 
 
 
 
[4] X, Ma., and E, Hovy. (2016). “End-to-end Sequence Labeling via Bi-directional 
LSTM-CNNs-CRF,” Proceedings of the 54th Annual Meeting of the Association for 
Computational Linguistics (Volume 1: Long Papers). 
 
 
 
 図 6: Thai Name Entity Corpus (Thai)     図 7: Thai Name Entity Corpus  
(English Translation) 
 


Improvement of Thai NER and the Corpus

中西, 崇文

English

Towards a Kansei Media Content Representation Method Based on Media-driven Real-time Content Management Framework

The 29th International Conference on Information Modelling and Knowledge Bases (EJC 2019)
At Lappeenranta, Finland
June 3-7, 2019departmental bulletin pape

武蔵野大学学術機関リポジトリ　Musashino University Academic Institutional Repositry
EJC 2019参加報告
著者（英） Sornlertlamvanich Virach
journal or
publication title
武蔵野大学アジアAI研究所紀要
number 1
page range 93-94
year 2020-03-25
URL http://id.nii.ac.jp/1419/00001126/
 
93 
 
 
 
[活動報告] 
EJC 2019参加報告 
 
Virach Sornlertlamvanich 
 
The 29th International Conference on Information Modelling  
and Knowledge Bases (EJC 2019) 
At Lappeenranta, Finland 
June 3-7, 2019 
 
Organized by Lappeenranta-Lahti University of Technology (LUT), Finland 
 
 
(lut.fi/web/en/ejc-conference) 
EJC 2019 aims to bring together experts from 
different areas of computer science and other 
disciplines, who have a common interest in under 
standing and solving problems on information 
modelling and knowledge bases, as well as applying the 
results of research to practice. 
 
And to recognize and study new areas on modelling and knowledge bases to which more 
attention should be paid. Therefore philosophy and logic, cognitive science, knowledge 
management, linguistics and management science are relevant areas, too. 
 
Within this 5 days conference, EJC 2019 included 5 
invited guest speakers and 33 papers which had been 
divided into 10 sessions including Learning and 
Linguistics, Systems and Processes, Data and 
Knowledge Representation, Models and Interfaces, 
Formalization and reasoning, Models and Modeling, 
Machine Learning, Models and Programing, and 
Environment and Prediction. 
  
 
 
94 
 
 
 
 
“Data Labeling Scheme for Bed 
Position Classification" (Waranrach 
Viriyavit and Virach 
Sornlertlamvanich) 
 
 
 
 
Our paper titled "Data Labeling Scheme for 
Bed Position Classification" (Waranrach 
Viriyavit and Virach Sornlertlamvanich), was 
presented by my student, Waranrach Viriyavit. 
We gained a fruitful discussion for our future 
work. EJC 2019 was a great opportunity to 
participate fully in discussions with Data and 
Knowledge Representation, Models and 
Interfaces researchers which provided the 
possibilities for our future collaborations. 
 
Certainly, I would like to thank Asia AI Institute, Department of Data Science, Faculty 
of Data Science for the opportunity and support to attend the EJC 2019 in Lappeenranta, 
Finland. This conference broadens my knowledge and experience, and also the future 
collaboration with the experts in our related fields. 


EJC 2019参加報告

小坂, 賢太

Kosaka, Kenta

Statistical analysis of Japanese exports from 1990 to 2018 : a comparison with Chinese, German, American and Korean exports

石黒, 武人

Ishiguro, Taketo

A Model for Supporting the Succession of Japanese Leaders' Cognitive Orientation in Multicultural Teams Based in Japan

鄭, 穎

Zheng, Ying

An Overview of Studies of Japanese Sentence Final Particles and Research on Acquisition of Those Particles by Learners of Japanese

Not a member yet