Deepening linguistic analysis methods for understanding and utilizing real documents

点击翻译按钮获取中文摘要

現在の自然言語処理は、入力単位としてトークンの並びである「文」または「文の集合」を想定している。しかし、現実の文書には、レイアウト構造や表示スタイルなどが混然一体となって埋め込まれ、読みを支援する「手がかり」として機能している。人間が文書を読む際には、視覚的な入力を通してこのような手がかりを即座に解読して、「文」の意味理解へとつなげていると考えられる。そこで本研究では、文書中に埋め込まれた非言語情報を抽出・活用するための文書解析手法を検討する。具体的には、（１）レイアウトされた文書やインタラクティブなメディア（ウェブ上のフォーム）などの文書全体、（２）文書中の非言語要素（数式など）と対応する説明文（３）言語音意味とは独立の編集的な属性（例：大文字・小文字の違い）の３つの文書構成要素に注目する。そして、これらを分析・モデル化することで、人間の可読性を高めたり、計算機の言語処理性能を向上したりするための手法を開発する。初年度である２０２２年度は、近年の大規模言語モデルの登場を踏まえて関連分野の調査を行うとともに、上記３つの研究課題に取り組んだ。