JPH05108703A - 機械翻訳機 - Google Patents

Abstract

(57)【要約】 【目的】 原文中の特殊なフォントの未知語を、自動的
に、ユーザ辞書一括登録の対象語彙の候補とする機械翻
訳機の提供を目的とする。 【構成】 書体の識別を含めて翻訳対象文書の文字を認
識する文字認識部１と、認識された文字列から字句を切
り出し、その字句の書体の判別を行なう字句認定部３
と、字句認定部３によって認定された字句が未知語か否
かを判定する未知語認定部５と、原文中の単語が未知語
であり、かつ、特殊な書体によって表記されている単語
であったならば、その単語を一括登録対象語彙の候補と
するユーザ辞書登録部６を備えた構成を有する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、電子計算機を使って自
然言語で書かれた文書を他の自然語で書き直す機械翻訳
機に関する。

【０００２】

【従来の技術】一般に、機械翻訳機は翻訳対象とする文
書中に未知語が存在すると正しい翻訳ができない。した
がって、ユーザはあらかじめ翻訳対象文書中のすべての
未知語を把握し、それらの語彙を「ユーザ辞書」に登録
しておかなければならない。しかし、機械翻訳機にとっ
ての未知語とは翻訳機の備えた辞書中に存在しない語彙
を指すのであり、ユーザはその辞書の内容を完全に把握
しているわけではない。それゆえ、ユーザにとって翻訳
対象文書内のその語彙が未知語であるかをあらかじめ予
測することは、ほとんど不可能に近い。そこで、ほとん
どの機械翻訳機には、翻訳対象文書内の未知語を指摘す
る未知語指摘機能が準備されている。未知語指摘機能は
翻訳対象文書内のすべての語彙に対して翻訳機内の辞書
検索を試み、その結果、辞書に未登録である語彙を未知
語と認定する。

【０００３】また、ユーザは未知語指摘機能によって指
摘された語彙が確かに一般的には使われない、その文書
特有の語彙であると認識したならば、それらの語彙をユ
ーザ辞書登録機能によってユーザ辞書に登録する。無
論、この際、指摘された未知語が単純なスペルミスなど
を原因とするものであるならばユーザ辞書への登録対象
とはしない。

【０００４】このように、翻訳対象文書内からの未知語
除去作業を行なってから翻訳対象文書の翻訳を実施する
のが普通である。

【０００５】

【発明が解決しようとする課題】技術文献などを翻訳す
る際には、専門用語が非常に多く、そのすべての語彙
が、あらかじめシステムが準備している翻訳用の辞書
（一般辞書、専門用語辞書）に登録されているとは限ら
ない。それらの語彙はすべて未知語として指摘されるこ
とになる。その場合、ユーザは上で述べたようにそれら
の語彙をあらかじめユーザ辞書に一括登録してしまう
か、翻訳実行時に未知語となって現れたそれらの語彙を
逐一ユーザ辞書に登録する必要がある。この、ユーザ辞
書登録作業はユーザに必要以上に負担を強いるものであ
る。

【０００６】本発明は上記課題を解決するもので、効率
的に、多くの未知語をユーザ辞書に登録可能とする機能
を有する機械翻訳機を提供することを目的としている。

【０００７】

【課題を解決するための手段】本発明は上記目的を達成
するために、書体の識別を含めて翻訳対象文書の文字を
認識する文字認識部と、認識された文字列から字句を切
り出し、書体の認定をする字句認定部と、字句認定部で
認定された字句が未知語であるか否かを認定する未知語
認定部と、字句認定部で特殊書体であると認定され、か
つ未知語認定部で未知語であると認定された字句を登録
語彙の候補とするユーザ辞書登録部を備えた構成を有す
る。

【０００８】

【作用】本発明は、上記構成によって、原文中において
特殊な書体で記述されており、かつ、未知語であるなら
ば、自動的にユーザ辞書登録のための対象語彙の候補と
する。

【０００９】

【実施例】図１は、本発明の一実施例における機械翻訳
機のブロック図である。１は翻訳対象文書を読み取り文
書内のテキストに対応した文字コードを書体情報を伴っ
て出力する文字認識部である。２は文字認識された結果
の文字コードを書体情報とともに記憶するテキストデー
タ記憶部である。３はテキストデータ記憶部２に記憶さ
れたテキストデータに対して字句の認定を行なう字句認
定部である。認定結果は後記字句データ記憶部に記憶さ
れる。ここでは、字句の認定と同時に各字句の書体の判
別も行なう。この書体情報も字句データ記録部に記録さ
れる。４は字句認定部３によって認定された字句の情報
をその書体の情報とともに記憶する字句データ記憶部で
ある。５は字句データ記憶部４に記憶された字句情報に
基づいて各字句の未知語認定を行なう未知語認定部であ
る。未知語認定の結果は字句データ記憶部４に記憶され
る。６は未知語認定部５において「未知語である」と認
定され、かつ、字句認定部３において「特殊な書体で記
述されている」と認定された字句をユーザ辞書に登録す
るためのユーザ辞書登録部である。７は全体を制御する
全体制御部である。

【００１０】次に、文字認定部１のブロック図を図２に
示す。２１は翻訳する文書（翻訳対象文書）を画像デー
タとして計算機に取り込む文書画像入力部である。例え
ばスキャナなどである。２２は文書画像入力部２１によ
って読み込んだ文書画像データを記憶する画像データ記
憶部である。２３は文書画像入力部２１によって入力さ
れた文書画像中から文を構成する順番で的確に文字画像
を切り出す文字画像認定部である。２４は文字画像認定
部２３によって切り出された文字画像を文字として認識
し対応する文字コードを出力する文字コード認識部であ
る。２５は文字画像にある文字の書体を判定する文字書
体判定部である。２６は文字認識部を制御する制御部で
ある。

【００１１】次に、字句認定部３のブロック図を図３に
示す。３１はテキストデータ記憶部２に記憶された文字
列から、ピリオド，コンマ，空白などの区切り文字をも
とに字句を切り出す字句切り出し部である。切り出され
た字句情報は字句データ記憶部４に記憶される。３２は
字句切り出し部３１によって切り出された各々の字句の
書体を判別する字句書体判定部である。判定された書体
情報は字句データ記憶部４に記憶される。３３は字句認
定部全体を制御する制御部である。

【００１２】次に、未知語認定部５のブロック図を図４
に示す。４１は字句データ記憶部４に記憶された字句の
うち、未知語であり、かつ、特殊な書体である字句をキ
ーとして、未知語認定用辞書を検索する辞書検索部であ
る。４２は字句認定部３によって認定された字句が未知
語であるか否かを知るための未知語認定用辞書である。
４３は未知語認定全体を制御する制御部である。

【００１３】以上のように構成された本実施例の機械翻
訳機について、以下その動作を図５のフローチャートに
基づいて説明する。

【００１４】（ステップ１）文書読み取り処理 翻訳対象文書を画像入力部によって入力し、文書中に存
在するテキストに対応した文字コード列を出力するまで
の処理である。入力した画像データは翻訳機内の画像デ
ータ記憶部２２に記憶される。より詳細な説明を図６に
従って以下に記す。

【００１５】（ステップ１１）文書画像入力処理 文書画像入力部２１によって読み取られた翻訳対象文書
の画像データは画像データ記憶部２２に記憶される。こ
こでは、図７に示す原文が翻訳対象文書の一部として文
書画像入力部２１に入力されたものとする。２つのａｒ
ｇｖと１つのｅｘｅは他の字句とは書体が異なる。この
書体をここでは「非標準書体」と呼ぶ。他の字句の書体
は、「標準書体」と呼ぶ。

【００１６】（ステップ１２）文字切り出し処理 画像データ記憶部２２に記憶された文書画像のデータか
ら各文字に対応した文字画像領域を抽出する。抽出され
た文字画像データは文字・書体認識処理に渡される。

【００１７】（ステップ１３）文字・書体認識処理 文字切り出し処理によって切り出された各文字画像に対
して文字認識処理を行なう。この際、同時に、その文字
の書体も認識する。したがって、各文字画像に対応して
文字コードと書体判別情報が出力される。これらの情報
はテキストデータ記憶部２に記憶される。この結果、各
テキストデータには原文中における書体情報が属性情報
として設定されることになる。入力画像データ中のすべ
ての文字に対してこの文字認識処理が行なわれた結果、
テキストデータ記憶部２には入力文書がテキストコード
列に変換されて記憶されることになる。こうして上記例
文に対して文字・書体認識処理が行なわれた後のテキス
トデータ記憶部２の倫理的な内容を図８に示す。書体属
性欄は標準書体と非標準書体の区別を示す。０が標準書
体で、１が非標準書体である。書体情報は各文字コード
に対応して存在する。

【００１８】（ステップ２）字句認定処理 字句認定処理では、テキストデータ記憶部２に記憶され
ているテキスト情報に対して字句の認定を行なう。空白
や、コンマ，ピリオドなどの区切り文字が字句認定の材
料となる。字句認定処理の結果は字句データ記憶部４に
記憶される。上記の例文に対する字句認定処理後の字句
データ記憶部４の内容を図９に示す。また、字句認定処
理では字句書体判別部３２によって字句データ記憶部４
内の字句認定結果に対する字句単位の書体判定が行なわ
れる。各文字コードに付随する書体情報がこの字句書体
判別に行われる。この字句書体判別の結果、字句データ
記憶部４内の字句情報には図１０のように字句単位の書
体情報が付加される。書体情報が０であるものは標準書
体の字句であり、１であるものは非標準書体の字句であ
る。

【００１９】（ステップ３）未知語認定処理 記憶された翻訳対象テキストに対して未知語認定処理を
行なう。未知語認定処理には、テキストの先頭から一つ
づつ未知語を逐次的に発見してはユーザに伝えてくるタ
イプのものと、バッチ的にすべての未知語を発見し、未
知語リストの形でユーザに示すタイプのものとが考えら
れる。

【００２０】字句に対する未知語の認定は字句認定処理
によって得られた字句をキーとして未知語認定用辞書を
検索することによって行なう。辞書検索の結果、該当す
る単語が未登録である場合にはその字句は未知語と認定
する。未知語認定された字句は字句データ記憶部４にそ
の情報が設定される。図１１に、例文に対する未知語認
定処理後の字句データ記憶部４を示す。

【００２１】（ステップ４）ユーザ辞書登録処理 ユーザ辞書登録処理にも、逐次的なものとバッチ的なも
のとが存在するが、逐次的に日本語を発見する場合には
逐次的なユーザ辞書の登録が、バッチ的に未知語を発見
する場合にはバッチ的なユーザ辞書の登録が、より相性
がよい。本発明は、特に、後者の、バッチ的な未知語発
見処理とバッチ的なユーザ辞書登録を前提としている。

【００２２】未知語検索処理によって明らかになった未
知語であり、かつ、原文書中における書体が特殊な語彙
をユーザ辞書登録機能における登録語彙の候補とする。
つまり、字句データ記憶部４の各字句に対して書体情報
と未知語情報のチェックを行ない、非標準書体であり、
かつ、未知語であるならば、ユーザ辞書登録機能の候補
語彙データとする。ユーザはユーザ辞書登録機能におい
て、それらの語彙を目で確認し、ユーザ辞書に登録して
よければ、辞書登録を実行するだけでよい。もしも、登
録するのに不都合なエントリがあれば、その語彙を削除
する。先の例の場合、ユーザ辞書登録機能において、登
録候補が図１２のように自動的に設定されている。

【００２３】（ステップ５）翻訳処理 翻訳対象テキスト中から未知語がなくなった段階で、翻
訳対象テキストの翻訳を実施する。

【００２４】このように本発明の実施例の機械翻訳機に
よれば、書体の識別を含めて翻訳対象文書の文字を認識
する文字認識部と、認識された文字列から字句を切り出
し、その字句の書体の判別を行なう字句認定部と、字句
認定部によって認定された字句が未知語か否かを判定す
る未知語設定部を備え、対象文書中の単語が未知語であ
り、かつ特殊な書体で表記されておれば、その単語をユ
ーザ辞書一括登録対象語彙の候補とする機能を有するの
で、ユーザの作業負担が軽くなる。

【００２５】

【発明の効果】翻訳対象文書中に未知語が多く存在した
場合、それらの未知語をユーザ辞書に登録する方法とし
て従来の翻訳機では次の２つが考えられた。

【００２６】（１）逐次登録 未知語が見つかるたびにユーザ辞書登録を行なう。この
方法は、同一文書中に同じ未知語が何度も現われる場合
には各未知語に対して、既に登録したか否かの判断をユ
ーザが行なわなければならなかった。また、単純なスペ
ルミスによる未知語もユーザが判断の対象としなければ
ならなかった。

【００２７】（２）一括登録 未知語指摘機能によって指摘された文書内の未知語をユ
ーザが書き留める。などしてメモしておき、次に、ユー
ザ辞書登録機能を呼び出して、メモしておいた未知語を
登録していくといった煩雑な作業が必要であった。

【００２８】本発明によれば、未知語指摘機能が認定し
た未知語のうち原文中の書体までを考慮してユーザ辞書
登録機能の候補とするので、ユーザは未知語登録が容易
になる機械翻訳機を提供できる。

【図面の簡単な説明】

【図１】本発明の一実施例の機械翻訳機のブロック図

【図２】同翻訳機における文字認識部のブロック図

【図３】同翻訳機における字句認定部のブロック図

【図４】同翻訳機における未知語認定部のブロック図

【図５】同翻訳機の動作の流れを示すフローチャート

【図６】同翻訳機の文書読み取り処理を示すフローチャ
ート

【図７】翻訳例文図

【図８】文字書体認識後のテキストデータ記憶部の内容
図

【図９】字句認定処理後の字句データ記憶部の内容図

【図１０】字句書体判定後の字句データ記憶部の内容図

【図１１】未知語認定処理の字句データ記憶部の内容図

【図１２】ユーザ辞書登録機能の候補語彙データ図

【符号の説明】

１ 文字認識部 ２ テキストデータ記憶部 ３ 字句認定部 ４ 字句データ記憶部 ５ 未知語認定部 ６ ユーザ辞書登録部 ７ 全体制御部 ２１ 文書画像入力部 ２２ 画像データ記憶部 ２３ 文字画像認定部 ２４ 文字コード認識部 ２５ 文字書体判定部 ３１ 字句切り出し部 ３２ 字句書体判定部 ４１ 辞書検索部 ４２ 未知語認定用辞書

Claims (2)

【特許請求の範囲】
1. 【請求項１】 書体の識別を含めて翻訳対象文章の文字
   を認識する文字認識部と、認識された文字列から字句を
   切り出し、書体の認定をする字句認定部と、前記字句認
   定部によって認定された字句が未知語か否かを認定する
   未知語認定部と、前記字句認定部で特殊な書体であると
   認定され、かつ前記未知語認定部で未知語であると認定
   された字句を登録語彙の候補とするユーザ辞書登録部を
   備えた機械翻訳機。
2. 【請求項２】 翻訳を行なう文書を画像データとして計
   算機に取り込む文書画像入力部、前記文書画像入力部に
   よって読み込んだ文書画像データを記憶する画像データ
   記憶部、前記画像データ記憶部に記憶された文書画像デ
   ータ中から文を構成する順番で１文字分の文字画像を切
   り出す文字画像認定部、前記文字画像認定部によって認
   定された１文字分の文字画像を文字として認識し対応す
   る文字コードを出力する文字コード認識部、文字コード
   の認定と同時に文字画像に表現された文字の書体を判定
   しその書体情報を認定する文字コードの属性情報とする
   文字書体判定部を含む文字認識部と、前記文字認識部に
   よって認識された文字情報を記憶するテキストデータ記
   憶部と、前記テキストデータ記憶部に記憶されたテキス
   トコード列から区切り文字をもとに字句を切り出す字句
   切り出し部、前記字句切り出し部によって切り出された
   字句の書体を判別する字句書体判定部を含む字句認定部
   と、前記字句認定部によって認定された字句切り出し情
   報およびその書体情報を記憶する字句データ記憶部と、
   前記字句認定部によって認定された字句をキーとして検
   索を行なう未知語認定用辞書、前記未知認定用辞書を検
   索する辞書検索部を含み前記字句をキーとして前記未知
   語認定用辞書を検索することによって未知語の認定を行
   なう未知語認定部と、前記字句認定部で特殊な書体と判
   定されかつ未知語認定部で未知語であると認定された字
   句を登録語彙の候補とするユーザ辞書登録部と、前記文
   字認識部、テキストデータ記録部、字句認定部、字句デ
   ータ記憶部、未知語確定部、ユーザ辞書登録部を制御す
   る「全体制御部」を備え、前記字句書体判別部によっ
   て、特殊な書体であると認定され、かつ、前記未知語認
   定部によって未知語であると認定された字句をユーザ辞
   書登録語彙の候補とするようにした機械翻訳機。