日本語化学文章からのNERの検討

本研究は、化学知識を表現する化学ファクトデータベースのためのデータを論文や特許等の日本語文章から自動抽出する方法について検討することを目的としている。そのためには、日本語の化学文章に含まれる多様なデータにタグ付けを行なったコーパスを作成する必要がある。本年度は、日本語の化学文章のコーパス作成の第一段階として、千件ほどの公開特許公報に出現する化学物質名についてタグ付け作業を開始した。まず、これまでの研究でも利用していた2016年7月の特許公開公報（約12,000件）について、「C化学；冶金」の分類が付与されたものを選択し、文章の文字数が膨大なものを除いて約1,200件を抽出した。この公開特許公報を対象に、化学物質名の部分にタグ付けする作業をクラウドワークスを使って実施している。作業者は化学を専攻したワーカ約20名に作業内容を含む依頼文を送り、返事のあった5名について一件の特許公開公報を送付してタグ付けを行なってもらい、タグ付け作業を行える能力があることを確認した。タグ付け作業の進捗をコントロールできるよう、全体を６０件ほどからなる２０のブロックに分け、今年度は５ブロックの作業を行わせた。次年度の前半あたりにこの作業は完成する予定である。これまで、特許公開公報に化学物質名のタグ付けを行なったコーパスは、50件程度からなるものであり、1,000件の特許公開広報からなるコーパスが完成すると化学物質名のNER研究において非常に有用となる。上記と並行して、化学物質名以外についてどのようなファクトデータが抽出できるかの検討を行なった。その結果、物性と合成法を化学物質名と組み合わせて抽出することを考えた。これらの実際のタグ付けについては、次年度後半に実施する予定である。

本研究は、化学知識を表現する化学ファクトデータベースのためのデータを論文や特許等の日本語文章から自動抽出する方法について検討することを目的としている。そのためには、日本語の化学文章に含まれる多様なデータにタグ付けを行なったコーパスを作成する必要がある。本年度は、日本語の化学文章のコーパス作成の第一段階として、千件ほどの公開特許公報に出現する化学物質名についてタグ付け作業を開始した。まず、これまでの研究でも利用していた2016年7月の特許公開公報（約12,000件）について、「C化学；冶金」の分類が付与されたものを選択し、文章の文字数が膨大なものを除いて約1,200件を抽出した。この公開特許公報を対象に、化学物質名の部分にタグ付けする作業をクラウドワークスを使って実施している。作業者は化学を専攻したワーカ約20名に作業内容を含む依頼文を送り、返事のあった5名について一件の特許公開公報を送付してタグ付けを行なってもらい、タグ付け作業を行える能力があることを確認した。タグ付け作業の進捗をコントロールできるよう、全体を６０件ほどからなる２０のブロックに分け、今年度は５ブロックの作業を行わせた。次年度の前半あたりにこの作業は完成する予定である。これまで、特許公開公報に化学物質名のタグ付けを行なったコーパスは、50件程度からなるものであり、1,000件の特許公開広報からなるコーパスが完成すると化学物質名のNER研究において非常に有用となる。上記と並行して、化学物質名以外についてどのようなファクトデータが抽出できるかの検討を行なった。その結果、物性と合成法を化学物質名と組み合わせて抽出することを考えた。これらの実際のタグ付けについては、次年度後半に実施する予定である。