次世代多言語処理系の
モデルおよび実装の開発

守岡 知彦

多様な構造の情報を自由に編集・交換可能な文書処理系の開発

目標

z 文書のさまざまな構造や属性を適切に表現・処理可能な枠組みの実現

z 利用者固有の用途への適合

z インターネットでの情報交換が可能

符号化文字の成功

z とにかく文字を計算機で扱えるようになった

y いろんな処理の基盤を提供した

z 作成、加工、転送等が比較的容易

z 情報化社会の基盤技術

符号化文字

英語圏の場合

z 他の文字圏に対する優位性

y 文字化けしにくい

y 十分な表現力

y 処理の容易な文字表現

y 技術の蓄積

z さまざまな情報の電子化に成功

日本語処理における問題点

z 検索

z 置換

z ソート

z 文字表現

z 表示

符号化文字の問題点

z 各符号位置の意味の定義を文字符号が引き受ける

y 文字符号の作成、変更、普及のためのコストが甚大

z 文字符号にない文字や適合しない文字を扱うのが困難

文書の諸構造

z 章

y 節

x 文

• 句

– 語

　　字

z 字、行、段、頁など見かけ上の単位も

字も構造を持っている

z 漢字における部首や旁（意符、音符）など

z ハングルにおける字母と音節

z タイ文字やラオ文字等における音節（子音）字と母音字の結合

z インド系諸文字における複雑な結合

z ラテン文字におけるアクセント記号の付加

z etc…

従来の技術

z 符号化文字の世界

z イメージ・データの世界

要求される技術

z 文字の属性（意味）を扱うための技術

z 従来の符号化文字も利用可能

z （符号化）文字以外の情報と符号化文字の格差を減らす

符号化文字から文字オブジェクトへ

文字オブジェクトの拡張

Multiple Coded Scheme

Multiple Coded Scheme

z editable entity unit (eeu)

y 文字を抽象化したもの

x 文字符号 = eeu の id

y 各種文字符号や各種属性を持つ

x 文字符号を持たない eeu を可能にする

• 文字以外の情報

• 符号化されていない文字

• 文字符号に合わない文字の用法

x SGML / XML 等の tag 付き文書

x 文字データベースの利用や編集

研究計画

z XEmacs での内部表現変更実験

z 任意の文字の部分集合を効率的に扱うためのモデル・実装の開発

z 大規模文字データベースを効率的に扱うための技術

z 対象に応じた文書表現の最適化

z インターネット等での実証実験