JP2009026100A - 処理対象として適切なテキストを選択する技術 - Google Patents

Abstract

【課題】機械翻訳の精度の検証に適したテキストの集合を選択する。
【解決手段】複数のテキストの中から、あるフレーズが前記複数のテキストに含まれるかどうかに基づいて、出力するテキストを選択するシステムであって、前記複数のテキストのそれぞれに、予め定められた複数のフレーズのそれぞれが含まれるかどうかを判断する判断部と、前記複数のフレーズのそれぞれについて、当該フレーズを含むテキストのうち、テキスト間に予め定められた優先順位が最高のテキストに対応付けて、他のテキストと比較してより大きい指標値を算出する指標算出部と、算出した前記指標値をテキストごとに合計した合計値が、より大きいテキストを優先して選択し、選択したテキストの集合を出力する出力部とを備えるシステムを提供する。
【選択図】図６

Description

本発明は、複数のテキストの中から、処理対象として適切なテキストを選択する技術に関する。特に、本発明は、テキストにあるフレーズが含まれるかどうかに基づいて、処理対象として適切なテキストを選択する技術に関する。

近年、国際的に活動する企業は、様々な国のお客様に対して様々な言語で製品やサービスの情報を提供している。実際、そのような企業のウェブサイトでは、同一の内容のウェブページを様々な言語で閲覧でき、利便性が高い。一方で、提供するべき情報は膨大であり、また、日々更新されるものであるから、その翻訳作業は多大な労力および費用を要している。これに対し、近年その精度が向上してきた機械翻訳の技術を適用できれば、翻訳の効率を向上させることができると考えられる（機械翻訳については下記の非特許文献１を参照。）。
機械翻訳について。ホームページＵＲＬ「http://e-words.jp/w/E6A99FE6A2B0E7BFBBE8A8B3.html」

機械翻訳の精度は、構文解析等の処理能力、および、用語辞書の品質に依存する。特に、技術的な専門用語やいわゆる新語・造語を適切に翻訳するためには、用語辞書が翻訳対象に対応した充分な語句を含んでいることが望ましい。従って、機械翻訳の精度を向上させるためには、翻訳されるテキストに含まれる語句を適切な訳とともに用語辞書に予め追加すればよい。しかしながら、大規模なウェブサイトのウェブページなどのように、翻訳するべきテキストの数が多い場合には、全てのテキストから未登録の語句または誤訳されている語句を人手で探し出して登録するのは現実的ではない。一方で、無作為に一部のテキストのみから未登録の語句や誤訳されている語句を探し出そうとすれば、翻訳の精度を充分に向上させることができない場合がある。

そこで本発明は、上記の課題を解決することのできるシステム、方法およびプログラムを提供することを目的とする。この目的は特許請求の範囲における独立項に記載の特徴の組み合わせにより達成される。また従属項は本発明の更なる有利な具体例を規定する。

上記課題を解決するために、本発明の第１の形態においては、複数のテキストの中から、前記複数のテキストにあるフレーズが含まれるかどうかに基づいて、出力するテキストを選択するシステムであって、前記複数のテキストのそれぞれに、予め定められた複数のフレーズのそれぞれが含まれるかどうかを判断する判断部と、前記複数のフレーズのそれぞれについて、当該フレーズを含むテキストのうち、テキスト間に予め定められた優先順位が最高のテキストに対応付けて、他のテキストと比較してより大きい指標値を算出する指標算出部と、算出した前記指標値をテキストごとに合計した合計値が、より大きいテキストを優先して選択し、選択したテキストの集合を出力する出力部とを備えるシステムを提供する。また、当該システムとしてコンピュータを機能させるプログラムおよび方法を提供する。
なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではなく、これらの特徴群のサブコンビネーションもまた、発明となりうる。

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではなく、また実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、機械翻訳を利用してテキストを翻訳する手順の流れを示す。機械翻訳を利用して高精度の翻訳を実現するためには、まず、翻訳用の辞書に適切な語句を適切な訳とともに登録する必要がある。このため、機械翻訳の前処理として、機械翻訳の利用者は、翻訳用の辞書に登録されていない語句および翻訳対象にとって誤訳される語句（以下、まとめて未知語と呼ぶ）を、翻訳対象のテキストの中から抽出する（Ｓ１００）。そして、翻訳の専門家などの利用者は、抽出されたその未知語を翻訳して（Ｓ１１０）、翻訳結果をその未知語に対応付けて辞書に登録する（Ｓ１２０）。翻訳対象のテキストが多量の場合には、全ての未知語を辞書に登録しようとすると、費用や時間がかかりすぎる。このため、利用者は、一部の未知語のみを選択して、その未知語を翻訳して登録することが好ましい。

翻訳装置は、その辞書を用いてテキストを翻訳する（Ｓ１３０）。利用者は、翻訳されたテキストを参照して、機械翻訳の精度が充分な水準に達したかどうかを判断する（Ｓ１４０）。充分な水準に達していれば、処理を終了する。一方、充分な水準に達していなければ、利用者は、Ｓ１２０に処理を戻して、辞書に登録するべき未知語を追加して選択し、その未知語を辞書に登録する（２回目のＳ１２０）。
このように、費やすことのできる費用や時間が限られている場合には、当初から完全な辞書を作成するよりも、翻訳の精度が所定の水準に達するまで、辞書を徐々に更新してゆくほうが好ましい。

しかしながら、この手順には改善の余地がある。第１に、Ｓ１２０において、利用者は、多数の未知語の中からどの語句を優先して登録するべきかをその利用者自身で判断している。従って、その判断を誤った場合には、辞書を更新したにも関わらず翻訳の精度が充分に向上しない場合がある。この結果、翻訳の精度が充分な水準に達するまで必要以上に長い時間がかかる。また、そもそも、翻訳の精度がいつ所定の水準に達するか事前に予想できず、翻訳作業全体に割り当てるべき予算や時間を予め設定すること、および、その翻訳作業の進捗状況を管理することが難しい。

第２に、Ｓ１３０およびＳ１４０において、機械翻訳は、翻訳対象の全てのテキストについて行われ、その全ての翻訳結果について翻訳の水準が検証される。従って、辞書の更新のたびに、翻訳の検証のために多大な時間がかかる。一部のテキストのみを選択して検証の対象としようとしても、テキストの選び方によっては検証の精度が低下してしまう。
これに対し、本実施形態に係る翻訳システム２０は、このような翻訳作業を支援するとともに、翻訳の進捗管理や予算管理などの作業を支援することを目的とする。

図２は、本実施形態に係る翻訳システム２０の全体構成を示す。翻訳システム２０は、後述のＣＰＵ１０００、および、ＲＡＭ１５２０などの記憶装置の動作によって、選択システム２００と、検証用翻訳装置２１０と、テンプレート生成装置２２０と、本番用翻訳装置２３０と、検証装置２４０として機能する。選択システム２００は、複数の入力テキスト２２の中から、機械翻訳の検証に適したテキストを選択する。選択したそれぞれのテキストを選択テキスト２０５とする。また、選択システム２００は、これらの選択テキスト２０５に含まれる複数のフレーズを記録したフレーズデータ２０８を生成し、テンプレート生成装置２２０に対し出力する。選択テキスト２０５の選択のために、選択システム２００は、翻訳作業の管理者である利用者から入力を受け付けてもよいし、その利用者に選択の結果を出力してもよい。

検証用翻訳装置２１０は、これらの選択テキスト２０５のそれぞれを機械翻訳して、複数の翻訳テキスト２１５として出力する。テンプレート生成装置２２０は、翻訳テキスト２１５に含まれる翻訳後のフレーズのそれぞれを、フレーズデータ２０８に記録された翻訳前のフレーズのそれぞれに対応付けたデータを生成し、出力する。このデータをテンプレート２２５とする。翻訳作業を担当する利用者は、テンプレート２２５を見て誤訳を見つけ出す。そしてその利用者は、誤訳に対応する正しい訳によりテンプレート２２５を更新し、検証済テンプレート２２８とする。検証済テンプレート２２８は、本番用翻訳装置２３０のための辞書として用いられる。即ち、本番用翻訳装置２３０は、既に備えている翻訳用の辞書に、検証済テンプレート２２８の内容を追加した辞書を用いて、入力した複数の入力テキスト２２を翻訳し、翻訳結果である翻訳テキスト２５を生成する。検証済テンプレート２２８に含まれる翻訳対象語が、既に備えている当該辞書に既に含まれている場合には、検証済テンプレート２２８に含まれるその訳語が、既に備えている当該辞書に含まれる訳語よりも優先して使用される。これにより、本番用翻訳装置２３０は、翻訳担当者が人手で正しく翻訳した結果を反映して、翻訳の精度を高めることができる。

なお、検証済テンプレート２２８は検証用翻訳装置２１０用の新たな辞書として利用されてもよい。即ち、検証用翻訳装置２１０は、検証済テンプレート２２８の内容に基づく辞書により、それぞれの選択テキスト２０５を再度翻訳し、複数の翻訳テキスト２１５を再度生成する。なお、この場合においても、検証済テンプレート２２８に含まれる訳語が、検証用翻訳装置２１０が既に備える辞書に含まれる訳語よりも優先して使用される。そして、翻訳の担当者は、翻訳テキスト２１５を検証済テンプレート２２８と比較して、誤訳を訂正した結果が反映された翻訳となっているかを確認してもよい。確認には、検証済テンプレート２２８内の誤訳および正しい訳を、翻訳テキスト２１５内のフレーズと自動的に比較するための装置である、検証装置２４０が用いられてもよい。

このように、本実施形態に係る翻訳システム２０は、翻訳の検証に適したテキストを翻訳処理に先立って予め選択することで、翻訳作業全体を効率化することを目的とする。さらに、本実施形態に係る翻訳システム２０は、翻訳の検証に適したテキストを選択する時点で、どのテキストの検証を終えるとどの程度の精度の向上が実現されるかを示す情報を、管理者である利用者に対し出力することができる。これにより、翻訳作業全体の管理および進捗状況の把握を支援することを目的とする。以降、選択システム２００があるウェブサイトの翻訳の品質の検証を支援するものである場合を例に、詳細な説明をすすめる。

図３は、本実施形態に係る入力テキスト２２の一例を示す。複数の入力テキスト２２のそれぞれは、例えば、同一のウェブサイトに含まれるウェブページである。そのうちのある入力テキスト２２は、例えば製品やサービスの情報を含んでいる。この入力テキスト２２は、例えばＨＴＭＬなどのタグ付き文書であり、タグが示す指令に応じて対応するテキストまたは画像を画面に表示する。例えば、この入力テキスト２２において、ある開始タグからその開始タグに対応する終了タグまでの間には、「Ｐｒｅｖｅｎｔｉｖｅ ｍａｉｎｔｅｎａｎｃｅ」という文字列が含まれる。従って、画面には、この文字列がこのタグが示す指令に応じて、例えば、特定の色彩および字体で表示される。

選択システム２００は、入力テキスト２２に含まれる、このような開始タグから終了タグまでの間の文字列を抽出し、文字列の出現頻度を判断する単位として取り扱い、その出現頻度に基づいて、翻訳の検証に用いるべき選択テキスト２０５を選択してゆく。以降、この出現頻度を判断する単位の文字列のことを、フレーズ３００と呼ぶ。例えば、図３に符号３００を付して示した文字列のそれぞれが、フレーズ３００である。このフレーズ３００は、文字列の出現頻度を判断する単位の他、機械翻訳の単位として用いられてもよい。

図４は、本実施形態に係るテンプレート２２５の一例を示す。テンプレート２２５は、選択システム２００により抽出されたそれぞれのフレーズ３００について、それを識別する番号と、その原文の文字列（例えば英文）と、その翻訳結果の文字列（例えば中国語の簡体字）と、その翻訳結果が表れたページと、そのページのＵＲＬと、その文字列の出現頻度とを対応付けて記録している。例えば、３７番のフレーズ３００について、その原文の文字列は「Ｍｙ Ａａｃｃｏｕｎｔ」であり、その翻訳結果の文字列は「我的記述（出願明細書の文字コードの制限より日本語漢字で記載、実際には、対応する漢字の簡体字である）」であり、それが含まれるページのＵＲＬは「http://www.e-support_mt.tok…」であり、その出現頻度は３６である。また、テンプレート２２５は、翻訳結果を検証した結果それが誤訳だった場合に正しい訳を記述するためのデータフィールド「検証結果」を更に含んでよい。

図５は、本実施形態に係る検証済テンプレート２２８の一例を示す。検証済テンプレート２２８は、この「検証結果」のデータフィールドに、翻訳担当の利用者により入力された翻訳結果を含む。例えば、３７番のフレーズ３００について、「検証結果」のデータフィールドには、「我的記述」という誤訳ではなく、正しい翻訳結果が入力されている。利用者の検証の結果、機械翻訳の結果が正しいと判断された場合には、検証済テンプレート２２８は、「検証結果」のフィールドに何も記録しなくてもよい。

図６は、本実施形態に係る選択システム２００の機能構成を示す。選択システム２００は、判断部６００と、順位決定部６１０と、指標算出部６２０と、出力部６３０とを有する。判断部６００は、複数の入力テキスト２２のそれぞれに、予め定められた複数のフレーズ３００のそれぞれが含まれるかどうかを判断する。このフレーズ３００は、既に述べたように、例えば、各テキストにおいてＨＴＭＬの開始タグから終了タグまでの間に記述された文字列であってもよい。即ち、判断部６００は、まず、各フレーズ３００を各入力テキスト２２から抽出する処理を行ったうえで、その各フレーズ３００が各入力テキスト２２に含まれるかどうか判断してもよい。

順位決定部６１０は、複数の入力テキスト２２の間に優先順位を決定する。この優先順位は、例えば、入力テキスト２２が含む情報の重要度を表すものとして、予め使用者等からの入力によって定められてよい。また、順位決定部６１０の処理によって、網羅的に多様なフレーズ３００を含む入力テキスト２２には、他の入力テキスト２２と比較してより高い優先順位が決定されてもよい。他の例として、入力テキスト２２がウェブページの場合において、順位決定部６１０は、ウェブサイトのサーバ装置がクライアント装置から表示する要求を受けた頻度がより高い入力テキスト２２に対応付けて、他の入力テキスト２２と比較して、より高い優先順位を決定してもよい。また、順位決定部６１０は、複数の入力テキスト２２に出現する頻度のより高いフレーズ３００をより多く含む入力テキスト２２に対し、他の入力テキスト２２と比較して、より高い優先順位を決定してもよい。

指標算出部６２０は、複数のフレーズのそれぞれについて、そのフレーズを含む入力テキスト２２のうち、順位決定部６１０により決定された優先順位が最高の入力テキスト２２に対応付けて、他の入力テキスト２２と比較してより大きい指標値を算出する。例えば、ある入力テキストＡおよび入力テキストＢが、共にフレーズ「Ｍｙ Ａａｃｃｏｕｎｔ」を含む場合において、入力テキストＡよりも入力テキストＢの方が、優先順位が高ければ、指標算出部６２０は、入力テキストＢに対応付けて入力テキストＡよりも高い指標値を算出する。指標値はフレーズ毎に算出される。従って、この入力テキストＡについても、他のフレーズの出現状況に基づき、更に他の入力テキストＣよりも大きい指標値が算出されるかもしれない。

出力部６３０は、算出したこの指標値を入力テキスト２２ごとに合計した合計値が、より大きいテキストを優先して選択し、選択したテキストの集合を複数の選択テキスト２０５として出力する。例えば、出力部６３０は、この合計値が大きい方から予め定められた数（Ｎ個）のテキストを選択して出力してもよい。さらに、出力部６３０は、出力した選択テキスト２０５の集合が、ウェブサイト全体に出現するフレーズ３００をどの程度網羅的に含むかを示す数値である出現占拠率を、管理者である利用者に対し表示してもよい。さらには、この出現占拠率を見た管理者からの入力に応じて、出力部６３０は、選択する入力テキスト２２の数であるＮを変更して、変更後の数であるＮ個のテキストを選択テキスト２０５として選択してもよい。

図７は、各テキストに各フレーズが出現する頻度を示す。この図７の例で、判断部６００は、それぞれが入力テキスト２２の一例であるテキスト１−５のそれぞれに、フレーズ１−５のそれぞれが含まれるかどうかを判断している。図７ではその判断の結果を行列状に配列している。具体的には、ある入力テキスト２２にあるフレーズ３００が１つ含まれることを、その入力テキスト２２を示す列およびそのフレーズ３００を示す行に、数値の１を配列して示す。その入力テキスト２２にそのフレーズ３００が２つ含まれる場合には、その数値は２である。

一例として、フレーズ１の行には、テキスト２、テキスト３およびテキスト５の列にそれぞれ数値の１が配列されている。これは、テキスト２、テキスト３およびテキスト５に、フレーズ１がそれぞれ１つずつ含まれていることを示す。
このように、判断部６００は、それぞれの入力テキスト２２に、それぞれのフレーズ３００が含まれるかを判断したうえで、更に、含まれるとすればその個数を算出してもよい。算出結果は、図７を参照して説明したように、例えば行列状のデータ構造によって表される。

図８は、各フレーズの出現頻度をそのフレーズを含むテキストに対応付けて示す。この図８を参照して、順位決定部６１０が入力テキスト２２間の優先順位を決定する処理の具体例を説明する。まず、順位決定部６１０は、複数のフレーズ３００のそれぞれについて、そのフレーズ３００が複数の入力テキスト２２に出現する頻度を算出する。あるフレーズ３００が出現する頻度は、例えば、判断部６００によって算出された、そのフレーズ３００が各入力テキスト２２に含まれる個数の合計である。一例として、フレーズ１は、テキスト１−５を含む複数の入力テキスト２２に、１３５回出現している。このため、順位決定部６１０は、フレーズ１が出現する頻度として数値１３５を算出する。

そして、順位決定部６１０は、入力テキスト２２ごとに、その入力テキスト２２に含まれる各フレーズ３００について算出したその頻度を合計する。例えば、テキスト２には、フレーズ１およびフレーズ２が含まれるが、フレーズ３−５は含まれない。従って、順位決定部６１０は、テキスト２について、フレーズ１の出現頻度である１３５と、フレーズ２の出現頻度である６５とを合計し、フレーズ３−５の出現頻度は合計に含めない。この結果、テキスト２について算出される合計値は、その他の図示しないフレーズ３００の頻度を含めて、８５０となる。

そして、順位決定部６１０は、このようにして算出した合計値がより大きい入力テキスト２２に対応付けてより高い優先順位を決定する。例えば、テキスト２についてのその合計値は８５０で、テキスト１についてのその合計値は６５０なので、順位決定部６１０は、テキスト２に対応付けてテキスト１よりも高い優先順位を決定する。このようにして他の入力テキスト２２についても優先順位を決定した結果、優先順位が高い順に、テキスト２、テキスト１、テキスト４、テキスト３およびテキスト５の順となる。図８の列方向には、この優先順位に従って各入力テキスト２２を配列している。

図９は、本実施形態に係る指標算出部６２０が指標値を算出する処理の過程を示す。まず、指標算出部６２０は、複数のフレーズ３００のそれぞれについて、そのフレーズ３００を含む入力テキスト２２に他の入力テキスト２２よりも大きい数値を対応付ける。この数値は、例えば、そのフレーズ３００を含む場合には整数の１、そのフレーズ３００を含まない場合には整数の０などの、予め定められた規則によって決定されてもよい。一例として、この数値は、順位決定部６１０の例と同様に、各フレーズ３００が各入力テキスト２２に含まれる個数などであってよい。これにより対応付けられた数値を、図９のように、各フレーズ３００を列方向とし、各入力テキスト２２を行方向に配列した行列の要素として示す。

そして、指標算出部６２０は、これらの数値に基づいて指標値を算出する。具体的には、指標算出部６２０は、各フレーズ３００について、そのフレーズ３００を含む入力テキスト２２のうち上記の優先順位が最高ではない入力テキスト２２に対応付けた数値に基づいて、そのフレーズ３００を含む入力テキスト２２のうちその優先順位が最高の入力テキスト２２の指標値を算出する。一例として、指標算出部６２０は、各フレーズ３００について、そのフレーズ３００を含む入力テキスト２２のうち優先順位が最高の入力テキスト２２に対応付けた数値に、その優先順位が最高ではない入力テキスト２２に対応付けた数値を加えることで、当該順位が最高の入力テキスト２２の指標値を算出してもよい。

一方で、各フレーズ３００について、そのフレーズ３００を含む入力テキスト２２のうち優先順位が最高ではない入力テキスト２２に対応付けた数値は、その入力テキスト２２の指標値の算出には用いられない。一例として、そのような入力テキスト２２の指標値を、その入力テキスト２２に対応付けた数値に関わらず０としてもよい。即ち、そのような入力テキスト２２に対応付けた数値は、その入力テキスト２２の指標値の算出に代えて、優先順位が最高の入力テキスト２２について、その指標値を算出するために用いられてもよい。

以上に示した算出の処理過程は、図９内の矢印によって表される。即ち、指標算出部６２０は、各フレーズ３００を列方向とし、各入力テキスト２２を優先順位に従って行方向に配列した行列の各行について、非ゼロ要素のうちの最左列の要素に、その要素よりも右側の列の各非ゼロ要素を順次加算する。
この結果、指標算出部６２０は、各フレーズ３００について、そのフレーズ３００が複数の入力テキスト２２に出現する頻度を算出して、そのフレーズ３００を含む入力テキスト２２のうち優先順位が最高の入力テキスト２２に対応付けて、その頻度を示す指標値を算出することができる。

図１０は、本実施形態に係る指標算出部６２０が算出する指標値の合計値を示す。指標算出部６２０が算出した指標値を、図１０中に下線を付して示す。即ち例えば、指標算出部６２０は、フレーズ１について、テキスト２に対応付けて指標値１３５を算出している。指標算出部６２０は、フレーズ１を含む他の入力テキスト２２に対応付けて、その指標値１３５よりも小さい指標値、一例としてはゼロを算出している。指標算出部６２０は、これらの指標値を入力テキスト２２ごとに合計した合計値を算出する。例えば、テキスト２について、フレーズ１に対応する指標値１３５、および、フレーズ２に対応する指標値６５その他の指標値が合計されて、その合計値は８５０となる。出力部６３０は、このようにして算出された合計値を参照することで、翻訳の検証に用いるべき選択テキスト２０５を適切に選択できる。

図１１は、本実施形態に係る選択システム２００が出力するべきテキストを選択する処理のフローチャートを示す。まず、選択システム２００は、複数の入力テキスト２２を入力する（Ｓ１２００）。例えば翻訳システム２０がウェブサイトの翻訳の品質の検証を支援するものである場合、これを実現するために、選択システム２００は、そのウェブサイトのアドレス（例えばＵＲＬ（Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｌｏｃａｔｏｒ）、ＩＰアドレスなど）の入力を受け付けてもよい。その場合、選択システム２００は、そのアドレスが入力されたことに応じて、そのアドレスのウェブサイトにアクセスして複数の入力テキスト２２を取得する。さらに、選択システム２００は、入力した入力テキスト２２の中から、特定のカテゴリの入力テキスト２２のみを選択して、判断部６００による処理の対象としてもよい。例えば、選択システム２００は、ある製品の情報についてのインデックスを有するウェブページから到達可能なウェブページのみを選択することで、その製品に関するウェブページのみを処理の対象とすることができる。

次に、判断部６００は、各フレーズ３００を各入力テキスト２２から抽出する（Ｓ１２１０）。例えば、既に述べたように、判断部６００は、ＨＴＭＬ文書である入力テキスト２２の、開始タグから終了タグまでの間の文字列をフレーズ３００として抽出してもよい。これに加えて、判断部６００は、開始タグから終了タグまでの文字列を、さらに文ごとに分割して、分割したそれぞれの文をフレーズ３００として抽出してもよい。また、判断部６００は、互いに異なる複数の文字列であっても、それら複数の文字列が、僅かに相違しているなどの、予め定められた関係を有する場合においては、それらの文字列を同一のフレーズ３００として抽出してもよい。

同一のフレーズ３００として抽出される複数の文字列の具体例を簡単に述べる。第１例は、固有名詞を含む文字列に関する。判断部６００は、入力テキスト２２中の固有名称を、その総称を示す一般名詞や、その一般名詞を示す記号等に変換する。例えば、「ｗｗｗ．△□×．ｃｏｍ」などの固有名詞は、「Ｗｅｂ Ａｄｄｒｅｓｓ」などの一般名詞に変換される。そして、判断部６００は、変換された結果同一の文字列となる複数の文字列を、同一のフレーズ３００として抽出する。この結果、例えばウェブサイト名を除けば同一となる複数の文字列は、頻度や指標値の算出について、同一のフレーズ３００として取り扱われる。

第２例は、僅かな一部分のみが異なる複数の文字列に関する。判断部６００は、入力テキスト２２に含まれる２つの文字列から成る組ごとに、含まれる語句のうち一致する語句の割合が予め定められた基準値以上であって、かつ、複数の入力テキスト２２全体に出現する頻度の差が予め定められた基準値以上であるかどうかを判断する。この条件を満たす場合には、判断部６００は、これら２つの文字列を同一のフレーズ３００として抽出する。例えば、複数の入力テキスト２２中に、２０単語を含むある文字列が１４５回出現し、それと１単語だけ異なる他の文字列が１回だけ出現する場合には、判断部６００は、これらの文字列を同一のフレーズ３００として抽出する。これにより、翻訳の検証といった観点からすれば区別する必要性の低い複数の文字列が１つのフレーズ３００として取り扱われるので、その後の処理を効率化できる。

次に、判断部６００は、複数の入力テキスト２２のそれぞれに、複数のフレーズ３００のそれぞれが含まれるかどうかを判断する（Ｓ１２２０）。そして、順位決定部６１０は、この判断に基づいて、複数の入力テキスト２２の間に優先順位を決定する（Ｓ１２３０）。この優先順位は、既に説明したように、各フレーズ３００の出現頻度に基づいて決定されてもよいし、ウェブページである入力テキスト２２を表示する要求を受けた頻度に基づいて決定されてもよい。これに代えて、または、これに加えて、優先順位は、ウェブページである入力テキスト２２がトップページから近いかどうかに基づいて決定されてもよい。

例えば、順位決定部６１０は、それぞれの入力テキスト２２が、ウェブサイト内のウェブページ間の階層においてウェブサイトのトップページ（例えば他のファイル名を追加することなくドメイン名のみでアクセスされるページ）からどの程度近いかを判断する。具体的には、順位決定部６１０は、トップページからハイパーリンクを順次参照して入力テキスト２２を表示させるまでに、ハイパーリンクを参照しなければならない最小の回数を、入力テキスト２２ごとに算出してもよい。そして、順位決定部６１０は、例えばこの参照の回数が他の入力テキスト２２よりも少ない入力テキスト２２に、当該他の入力テキスト２２よりも高い優先順位を決定する。

そして、指標算出部６２０は、複数のフレーズのそれぞれについて、そのフレーズを含む入力テキスト２２のうち、判断部６００により決定された優先順位が最高の入力テキスト２２に対応付けて、他の入力テキスト２２と比較してより大きい指標値を算出する（Ｓ１２４０）。指標値算出の具体例は、図９から図１０を参照して説明したとおりである。次に、出力部６３０は、算出したこの指標値を入力テキスト２２ごとに合計した合計値が、より大きい入力テキスト２２を優先して選択する（Ｓ１２５０）。例えば、出力部６３０は、この合計値が大きい方から予め定められた数（Ｎ個）の入力テキスト２２を選択してもよい。

そして、出力部６３０は、算出した当該指標値を複数の入力テキスト２２全てについて合計した合計値に対する、選択したこれらの入力テキスト２２のそれぞれに対応する指標値の合計の割合である、出現占拠率を算出する（Ｓ１２６０）。この出現占拠率は、選択した入力テキスト２２に含まれるフレーズ３００が、全ての入力テキスト２２に含まれるフレーズ３００を網羅する程度を表す。これに加えて、出力部６３０は、選択する入力テキスト２２を順次追加する場合におけるこの出現占拠率の変化を示すグラフを生成してもよい。

そして、出力部６３０は、選択した入力テキスト２２の集合を、ウェブサイトの翻訳の品質を検証するために適したテキストの集合として出力する（Ｓ１２７０）。また、出力部６３０は、その入力テキスト２２に対応付けて指標算出部６２０により他の入力テキスト２２と比較して大きい指標値が算出されたフレーズ３００に対応付けて、出力する（Ｓ１２７０）。例えば、図４を参照して説明したように、入力テキスト２２を識別するＵＲＬが、その入力テキスト２２に対応付けて他の入力テキスト２２と比較して大きい指標値が算出された英単語に対応付けて出力される。これにより、どの入力テキスト２２でどのフレーズの誤訳を検証するべきかを利用者に認識させることができる。

これに加えて、出力部６３０は、出現占拠率またはそのグラフを出力してもよい。その一例を図１２に示す。
図１２は、本実施形態に係る出力部６３０が出力する出現占拠率のグラフを示す。横軸は、選択テキスト２０５として選択されるテキストの数を表す。縦軸は、出現占拠率を表す。出力部６３０が出力するこのグラフを参照すると、以下の知見が得られる。第１に、いま選択されたテキストが、どの程度の出現占拠率を有するかという点である。例えば、選択するテキストの数が１００に設定されている場合において、このグラフを参照すれば、そのテキストの出現占拠率が７０％程度であることが分かる。これにより、翻訳用の辞書を更新する作業の開始前に、その更新作業によってどの程度の品質向上が見込まれるかを予想できる。

第２に、目標とする品質を達成するためには、どの程度のテキストを翻訳の検証に用いればよいかという点である。例えば、目標とする品質が、８０％のフレーズ３００について誤訳を排除することとすれば、そのためには１４５個の入力テキスト２２を翻訳の検証に用いればよいことが分かる。第３に、進捗状況を正確に把握できるという点である。例えば、目標を８０％に設定したものの、検証が完了した入力テキスト２２の数が５０である場合、目標と比較して品質がどの程度の水準に達したか（例えばこの例では８０％に対する５５％程度）を正確に把握できる。

次に、指標値を算出する他の例について、図１３を参照して説明する。
図１３は、本実施形態の変形例に係る選択システム２００の処理のフローチャートを示す。Ｓ１２００、Ｓ１２１０、Ｓ１２２０、Ｓ１２３０については、図１１を参照して説明した実施形態と同様である。それ以降の処理について説明する。

まず、指標算出部６２０は、複数のフレーズのそれぞれについて、そのフレーズを含む入力テキスト２２のうち、判断部６００により決定された優先順位が最高の入力テキスト２２に対応付けて、他の入力テキスト２２と比較してより大きい指標値を算出する（Ｓ１３４０）。次に、出力部６３０は、算出したこの指標値を入力テキスト２２ごとに合計した合計値が、最も大きい入力テキスト２２を選択する（Ｓ１３５０）。そして、出力部６３０は、出力した入力テキスト２２の数が、予め定められた数に達したかどうかを判断する（Ｓ１３７０）。

出力した入力テキスト２２の数がその予め定められた数に達していなければ（Ｓ１３７０：ＮＯ）、指標算出部６２０は、Ｓ１３４０に処理を戻して、出力したそのテキストを除外した複数の入力テキスト２２、および、出力したそのテキストを除外した複数のフレーズ３００について、上記の指標値を更に算出する。この算出について図９および図１０を参照して説明する。図１０の例について、テキストを１つも出力していない時点において、指標値の合計が大きい順にテキストを配列すると、テキスト２、テキスト４、テキスト１、テキスト３およびテキスト５の順になる。

ここで、テキストを大きい順に２つ出力し、当初に算出した指標値の合計が大きい順に残りのテキストを配列すると、テキスト１、テキスト３、および、テキスト５の順になる。しかしながら、テキスト１に含まれるフレーズ３は、既に出力することが決定されたテキスト４にも含まれている。従って、このフレーズ３を除外して指標値を計算すると、テキスト１についての指標値の合計は２０減少する。この結果、これら残りのテキストについての合計値は当初の合計値と比べて変化するので、指標値の合計値が大きい順に配列した配列順序も変化し得る。指標算出部６２０は、このように、入力テキスト２２を出力する度に指標値を繰り返し再計算して、残りの入力テキスト２２の中から最も優先して選択するべき入力テキスト２２を決定してもよい。このように、指標値の算出方法には様々な変形例が考えられる。そしてこの変形例によっても、複数の入力テキスト２２に含まれるフレーズ３００を網羅的に含む選択テキスト２０５の集合を選択することができる。

図１４は、本実施形態に係る翻訳システム２０として機能するコンピュータ５００のハードウェア構成の一例を示す。コンピュータ５００は、ホストコントローラ１０８２により相互に接続されるＣＰＵ１０００、ＲＡＭ１０２０、及びグラフィックコントローラ１０７５を有するＣＰＵ周辺部と、入出力コントローラ１０８４によりホストコントローラ１０８２に接続される通信インターフェイス１０３０、ハードディスクドライブ１０４０、及びＣＤ−ＲＯＭドライブ１０６０を有する入出力部と、入出力コントローラ１０８４に接続されるＲＯＭ１０１０、フレキシブルディスクドライブ１０５０、及び入出力チップ１０７０を有するレガシー入出力部とを備える。

ホストコントローラ１０８２は、ＲＡＭ１０２０と、高い転送レートでＲＡＭ１０２０をアクセスするＣＰＵ１０００及びグラフィックコントローラ１０７５とを接続する。ＣＰＵ１０００は、ＲＯＭ１０１０及びＲＡＭ１０２０に格納されたプログラムに基づいて動作し、各部の制御を行う。グラフィックコントローラ１０７５は、ＣＰＵ１０００等がＲＡＭ１０２０内に設けたフレームバッファ上に生成する画像データを取得し、表示装置１０８０上に表示させる。これに代えて、グラフィックコントローラ１０７５は、ＣＰＵ１０００等が生成する画像データを格納するフレームバッファを、内部に含んでもよい。

入出力コントローラ１０８４は、ホストコントローラ１０８２と、比較的高速な入出力装置である通信インターフェイス１０３０、ハードディスクドライブ１０４０、及びＣＤ−ＲＯＭドライブ１０６０を接続する。通信インターフェイス１０３０は、ネットワークを介して外部の装置と通信する。ハードディスクドライブ１０４０は、コンピュータ５００が使用するプログラム及びデータを格納する。ＣＤ−ＲＯＭドライブ１０６０は、ＣＤ−ＲＯＭ１０９５からプログラム又はデータを読み取り、ＲＡＭ１０２０又はハードディスクドライブ１０４０に提供する。

また、入出力コントローラ１０８４には、ＲＯＭ１０１０と、フレキシブルディスクドライブ１０５０や入出力チップ１０７０等の比較的低速な入出力装置とが接続される。ＲＯＭ１０１０は、コンピュータ５００の起動時にＣＰＵ１０００が実行するブートプログラムや、コンピュータ５００のハードウェアに依存するプログラム等を格納する。フレキシブルディスクドライブ１０５０は、フレキシブルディスク１０９０からプログラム又はデータを読み取り、入出力チップ１０７０を介してＲＡＭ１０２０またはハードディスクドライブ１０４０に提供する。入出力チップ１０７０は、フレキシブルディスク１０９０や、例えばパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して各種の入出力装置を接続する。

コンピュータ５００に提供されるプログラムは、フレキシブルディスク１０９０、ＣＤ−ＲＯＭ１０９５、又はＩＣカード等の記録媒体に格納されて利用者によって提供される。プログラムは、入出力チップ１０７０及び/又は入出力コントローラ１０８４を介して、記録媒体から読み出されコンピュータ５００にインストールされて実行される。プログラムがコンピュータ５００等に働きかけて行わせる動作は、図１から図１３において説明した翻訳システム２０における動作と同一であるから、説明を省略する。

以上に示したプログラムは、外部の記憶媒体に格納されてもよい。記憶媒体としては、フレキシブルディスク１０９０、ＣＤ−ＲＯＭ１０９５の他に、ＤＶＤやＰＤ等の光学記録媒体、ＭＤ等の光磁気記録媒体、テープ媒体、ＩＣカード等の半導体メモリ等を用いることができる。また、専用通信ネットワークやインターネットに接続されたサーバシステムに設けたハードディスク又はＲＡＭ等の記憶装置を記録媒体として使用し、ネットワークを介してプログラムをコンピュータ５００に提供してもよい。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることのできることが当業者にとって明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

図１は、機械翻訳を利用してテキストを翻訳する手順の流れを示す。 図２は、本実施形態に係る翻訳システム２０の全体構成を示す。 図３は、本実施形態に係る入力テキスト２２の一例を示す。 図４は、本実施形態に係るテンプレート２２５の一例を示す。 図５は、本実施形態に係る検証済テンプレート２２８の一例を示す。 図６は、本実施形態に係る選択システム２００の機能構成を示す。 図７は、各テキストに各フレーズが出現するかどうかを判断した結果を示す。 図８は、各フレーズの出現頻度をそのフレーズを含むテキストに対応付けて示す。 図９は、本実施形態に係る指標算出部６２０が指標値を算出する処理の過程を示す。 図１０は、本実施形態に係る指標算出部６２０が算出する指標値の合計値を示す。 図１１は、本実施形態に係る選択システム２００が出力するべきテキストを選択する処理のフローチャートを示す。 図１２は、本実施形態に係る出力部６３０が出力する出現占拠率のグラフを示す。 図１３は、本実施形態の変形例に係る選択システム２００の処理のフローチャートを示す。 図１４は、本実施形態に係る翻訳システム２０として機能するコンピュータ５００のハードウェア構成の一例を示す。

符号の説明

２０ 翻訳システム
２２ 入力テキスト
２５ 翻訳テキスト
２００ 選択システム
２０５ 選択テキスト
２０８ フレーズデータ
２１０ 検証用翻訳装置
２１５ 翻訳テキスト
２２０ テンプレート生成装置
２２５ テンプレート
２２８ 検証済テンプレート
２３０ 本番用翻訳装置
２４０ 検証装置
３００ フレーズ
５００ コンピュータ
６００ 判断部
６１０ 順位決定部
６２０ 指標算出部
６３０ 出力部

Claims (20)

1. 複数のテキストの中から、あるフレーズが前記複数のテキストに含まれるかどうかに基づいて、出力するテキストを選択するシステムであって、
   前記複数のテキストのそれぞれに、予め定められた複数のフレーズのそれぞれが含まれるかどうかを判断する判断部と、
   前記複数のフレーズのそれぞれについて、当該フレーズを含むテキストのうち、テキスト間に予め定められた優先順位が最高のテキストに対応付けて、他のテキストと比較してより大きい指標値を算出する指標算出部と、
   算出した前記指標値をテキストごとに合計した合計値が、より大きいテキストを優先して選択し、選択したテキストの集合を出力する出力部と
   を備えるシステム。
2. 前記指標算出部は、前記複数のフレーズのそれぞれについて、当該フレーズを含むテキストに他のテキストよりも大きい数値を対応付け、当該フレーズを含むテキストのうち前記優先順位が最高のテキストに対応する前記指標値を、前記優先順位が最高ではないテキストに対応付けた前記数値に基づいて算出する
   請求項１に記載のシステム。
3. 前記指標算出部は、前記複数のフレーズのそれぞれについて、当該フレーズを含むテキストに他のテキストよりも大きい数値を対応付け、当該フレーズを含むテキストのうち前記優先順位が最高ではないテキストに対応付けた前記数値を、前記優先順位が最高ではない当該テキストの指標値の算出に代えて、前記優先順位が最高のテキストの指標値の算出に用いる
   請求項１に記載のシステム。
4. 前記指標算出部は、前記複数のフレーズのそれぞれについて、当該フレーズを含むテキストに予め定められた数値を対応付け、当該フレーズを含むテキストのうち前記優先順位が最高のテキストに対応付けた前記数値に、前記優先順位が最高ではないテキストに対応付けた前記数値を加えることで、前記指標値を算出する
   請求項２に記載のシステム。
5. 前記指標算出部は、前記複数のフレーズのそれぞれについて、当該フレーズが前記複数のテキストに出現する頻度を算出し、当該フレーズを含むテキストのうち前記優先順位が最高のテキストに対応付けて、当該頻度を示す指標値を算出する
   請求項１に記載のシステム。
6. 前記複数のフレーズのそれぞれについて、当該フレーズが前記複数のテキストに出現する頻度を算出すると共に、テキストごとに、当該テキストに含まれる各フレーズについて算出した前記頻度を合計し、当該合計値がより大きいテキストに対応付けてより高い前記優先順位を決定する順位決定部を更に備え、
   前記指標算出部は、前記順位決定部により決定された前記優先順位に基づいて前記指標値を算出する
   請求項１に記載のシステム。
7. 前記複数のテキストのそれぞれは、サーバ装置がクライアント装置から要求を受けて表示するページであり、
   表示する要求を受けた頻度がより高いテキストに対応付けて、より高い前記優先順位を決定する順位決定部を更に備え、
   前記指標算出部は、前記順位決定部により決定された前記優先順位に基づいて前記指標値を算出する
   請求項１に記載のシステム。
8. 前記複数のテキストのそれぞれは共に同一のウェブサイトのウェブページであり、
   前記ウェブサイト内のウェブページ間の階層において前記ウェブサイトのトップページからより近いウェブページに対応付けて、より高い前記優先順位を決定する順位決定部を更に備え、
   前記指標算出部は、前記順位決定部により決定された前記優先順位に基づいて前記指標値を算出する
   請求項１に記載のシステム。
9. 前記出力部は、出力するテキストに、更に、当該テキストに対応付けて他のテキストと比較して大きい前記指標値の算出されたフレーズを対応付けて出力する、請求項１に記載のシステム。
10. 前記出力部は、算出した前記指標値をテキストごとに合計した合計値が、大きい方から予め定められた数のテキストを選択し、選択したテキストの集合を出力する
    請求項１に記載のシステム。
11. 前記出力部は、算出した前記指標値をテキストごとに合計した合計値が大きい方から予め定められた数のテキストを選択し、算出した前記指標値を前記複数のテキスト全てについて合計した合計値に対する、選択したそれぞれの前記テキストに対応する指標値の合計の割合である出現占拠率を算出し、出力する
    請求項５に記載のシステム。
12. 前記出力部は、選択するテキストを順次追加する場合における前記出現占拠率の変化を示すグラフを生成して出力する、請求項１１に記載のシステム。
13. 前記複数のテキストのそれぞれは、タグを文字列に対応付けたタグ付き文書であり、
    前記判断部は、開始タグから当該開始タグに対応する終了タグまでの間の文字列を前記フレーズとして抽出して、抽出した複数の前記フレーズのそれぞれが、前記複数のテキストに含まれるかどうかを判断する、請求項１に記載のシステム。
14. 前記判断部は、相互に予め定められた関係を有する複数の前記文字列を同一のフレーズとして抽出する、請求項１３に記載のシステム。
15. 前記判断部は、固有名詞をその総称を示す一般名詞に変換した結果同一の文字列となる複数の文字列を同一のフレーズとして抽出する、請求項１４に記載のシステム。
16. 前記判断部は、含まれる語句のうち一致する語句の割合が予め定められた基準値以上であって、かつ、前記複数のテキストに出現する頻度の差が予め定められた基準値以上である２つの文字列を、同一のフレーズとして抽出する、請求項１４に記載のシステム。
17. 前記出力部は、前記指標値が算出される毎に、テキストごとに算出された前記指標値の合計が最も大きいテキストを出力し、
    前記指標算出部は、前記出力部がテキストを出力したことに応じて、出力した前記テキストを除外した複数のテキスト、および、出力した前記テキストに含まれるフレーズを除外した複数のフレーズについて、前記指標値を更に算出する処理を、前記出力部が出力するテキストの数が予め定められた数に達するまで繰り返す
    請求項１に記載のシステム。
18. 当該システムは、ウェブサイトの翻訳の品質の検証を支援するものであり、
    前記複数のテキストのそれぞれは、同一のウェブサイトに含まれるウェブページであり、
    前記判断部は、前記ウェブサイトのアドレスの入力を受け付けて、当該アドレスが入力されたことに応じて、当該アドレスのウェブサイトにアクセスして前記複数のテキストを取得して、前記複数のテキストのそれぞれに、予め定められた複数のフレーズのそれぞれが含まれるかどうかを判断し、
    前記出力部は、算出した前記指標値をテキストごとに合計した合計値が、より大きいテキストを優先して選択し、選択したテキストの集合を、前記ウェブサイトの翻訳の品質を検証するために適したテキストの集合として出力する
    請求項１に記載のシステム。
19. 複数のテキストの中から、あるフレーズが前記複数のテキストに含まれるかどうかに基づいて、出力するテキストを選択する方法であって、
    コンピュータにより、前記複数のテキストのそれぞれに、予め定められた複数のフレーズのそれぞれが含まれるかどうかを判断させるステップと、
    コンピュータにより、前記複数のフレーズのそれぞれについて、当該フレーズを含むテキストのうち、テキスト間に予め定められた優先順位が最高のテキストに対応付けて、他のテキストと比較してより大きい指標値を算出させるステップと、
    コンピュータにより、算出した前記指標値をテキストごとに合計した合計値が、より大きいテキストを優先して選択し、選択したテキストの集合を出力させるステップと
    を備える方法。
20. 複数のテキストの中から、あるフレーズが前記複数のテキストに含まれるかどうかに基づいて、出力するテキストを選択するシステムとして、コンピュータを機能させるプログラムであって、
    前記コンピュータを、
    前記複数のテキストのそれぞれに、予め定められた複数のフレーズのそれぞれが含まれるかどうかを判断する判断部と、
    前記複数のフレーズのそれぞれについて、当該フレーズを含むテキストのうち、テキスト間に予め定められた優先順位が最高のテキストに対応付けて、他のテキストと比較してより大きい指標値を算出する指標算出部と、
    算出した前記指標値をテキストごとに合計した合計値が、より大きいテキストを優先して選択し、選択したテキストの集合を出力する出力部と
    して機能させるプログラム。

Images