情報検索コラム
情報検索・調査・利用について
“知っていると便利”“こんなときどうする”“コレにはご注意！”などなど思いつくままに書かせていただきます。
ちなみに「三月うさぎ」はルイス・キャロル著『不思議の国のアリス』に出てくる「いつまでも終わらないお茶会をしている」ちょっとヘンなうさぎです。
「ティールーム」は、お仕事の休憩時間のお茶といっしょに読んでいただけるくらいの長さと内容というコンセプトを、アリスの三月うさぎの「お茶会」にかけてあります。（毎月1回更新します）
情報検索の未来を探る ―検索語の横への展開―
注意：記載内容やリンクは執筆時点での情報です。
前回のコラム１６２号で「情報検索の未来を探る」として、検索語について書きました。
今回のコラムも検索語として、異表記と同義語について書きたいと思います。
現在、誰もが日常的に検索しています。
「キーワード」という言葉が通じないかたは、まずいないと言って良いでしょう。
キーワードは自分の思っている「単語」を入力します。
この単語について、日本語には特にやっかいな異表記、そして同義語があります。
この異表記や同義語を普段から意識して検索していますか。
てゆうか、意識しないといけないのでしょうか。
そんなことを書いてみたいと思います。
なお今回のコラムは、日本語での検索のハナシですが、
少しだけ英語検索のヒントも書きました。少しですが参考になれば幸いです。
検索語の横への展開１：異表記
例えば、先日終わったばかりのハロウィーンでお世話になった（？）カボチャ。
この「カボチャ」は、日本語では「かぼちゃ」や「南瓜」とも書きます。
日本語では異表記の基本として、ひらがな表記、カタカナ表記、漢字表記があります。
それ以外に、特に外国語のカタカナ表記では、統一されていない表記があります。
例えば・・・
音の表記違い：「レファレンス」と「リファレンス」、「スマートフォン」と「スマートホン」
長音の表記：「プリンタ」と「プリンター」、「アソシエーション」と「アソシエイション」
拗音や促音の表記：「ウイング」と「ウィング」、「ナット」と「ナツト」
音の表記/非表記：「チャンネル」と「チャネル」、「キッチン」と「キチン」
そして、もう一つ。
英数カナは全角/半角での表記があります。
「カボチャ」と「ｶﾎﾞﾁｬ」、「ＰＣ」と「PC」などは人間から見ると同じ文字ですが、
コンピューターにとっては区別される文字です。
これらは一例です。
日本語は同じ言葉を表記する場合に、異なった表記をする場合が多々あります。
異表記を前提として、モレの無い検索を行いたい場合は全ての異表記をＯＲ演算するのが基本です。
例：カボチャ+かぼちゃ+南瓜
その他、部分一致検索で文字列の一部分が異なる表記を同時に検索する方法があります。
例えばマスク文字（ワイルドカード）として「？」が使える検索システムの場合は、
次のような入力方法があります。
前方一致：プリンタ？ ←「プリンタ」も「プリンター」も検索される。
後方一致：？ファレンス ←「レファレンス」も「リファレンス」も検索される。
中間任意：アソシエ？ション ←「アソシエーション」も「アソシエイション」も検索される。
これを情報検索の専門用語で「トランケーション」と言います。
検索語の横への展開２：同義語
例えば上で例に出した「カボチャ」。
現在、カボチャは「パンプキン」でも通じるし、その他「唐茄子」「スカッシュ」とも言います。
その他にも異表記の代表的な例は化学物質でしょうか。
例えば「白金」「プラチナ」「Ｐｔ」は、どれも普通に使っています。
これらの同義語も、モレなく検索したい場合は、ＯＲ演算するのが基本です。
例：白金+プラチナ+Ｐｔ
検索システムでの異表記や同義語の扱い
さて、ここまでで異表記や同義語を確認しましたが・・・
皆さんは、普段の検索で異表記や同義語を意識して検索していますか？
例えばインターネットの検索エンジンの Google で検索するとき、
「カボチャ OR かぼちゃ OR 南瓜」と、OR演算して検索・・・しないですよね、普通。
現在、データベース検索システムでは、自動的に異表記を展開して検索される場合がありますのです。
例えば Google の場合、「かぼちゃ」と入力すれば、
自動的に「カボチャ」も「南瓜」もヒットします。
商用データベースも同様で、
例えば科学技術文献検索の代表的な検索システムである JdreamIII（ジェイドリームスリー）も、
「かぼちゃ」と入力した場合、「カボチャ」と「南瓜」に自動的に展開して検索される仕組みです。
ただし、同義語は展開されない場合が多いです。
Google も JdreamIII も、カボチャの同義語である「パンプキン」や「唐茄子」「スカッシュ」は、
OR演算しないと検索されません。
これについて、自動的に同義語に展開する検索システムもあります。
代表的な例としては、新聞記事検索の「日経テレコン２１」が同義語展開して検索する仕組みです。
例えば「二酸化炭素」と入力した場合、「co2」や「炭酸ガス」も検索されます。
同義語展開の解除も可能ですが、初期設定では同義語展開されるようになっています。
Google も以前は同義語展開していた時期があったのですが、
最近は同義語展開されにくくなってきているようです。
ただし前回のコラム１６２号で紹介したように、
「特許 申請」で検索して「出願」も検索される仕組みがあります（2016年11月8日現在）。
異表記や同義語へ展開する前提：単語分割（形態素解析）
ここまで読んで、皆さんはどう思われますか？
一般的に、せめて異表記は展開してほしいのではないでしょうか。
「かぼちゃ」で検索して「カボチャ」も「南瓜」もヒットしたほうが良いと思います、よね。
日本語における異表記や同義語への展開を行う場合に前提となるのは、
テキスト（文）を単語分割する「形態素解析（けいたいそかいせき）」です。
形態素解析を簡単に説明すると、
自然文を単語（言語で意味を持つ最小単位）に分割して、各単語の品詞等を判別する作業です。
この作業をコンピューターが行います。
例えば「カボチャは緑黄色野菜です。」を次のように分割します。
原文テキスト 「カボチャは緑黄色野菜です。」
↓
単語分割 「カボチャ / は / 緑 / 黄 / 色 / 野菜 / です / 。」
この単語分割した中の、例えば「カボチャ」を名詞として判別します。
データバースには、この単語分割された状態で収録されます。
そして別途、異表記辞書を作成し、
名詞の「カボチャ」と「かぼちゃ」と「南瓜」を異表記辞書に登録します。
この形態素解析と異表記辞書の仕組みで、
「かぼちゃ」で検索して「カボチャ」も「南瓜」もヒットすることができるのです。
ということは、
単語分割されていない場合は異表記展開されない・・・のです。じつは。
例えば、国立情報学研究所の論文検索システムである CiNii Articles（サイニィアーティクルズ）。
簡単に確認してみましょうか。
CiNii Articles のトップページを開きましょう。
「フリーワード」と薄く表示された大きな検索ボックスが表示されると思います。
ここへカタカナで「カボチャ」と入力して、検索ボタンをクリックします。
すると、検査結果の一覧が表示されます。
この一覧でハイライトされている文字を見ていくと・・・
いかがですか？ カタカナの「カボチャ」しかヒットしていないでしょう。
試しに、
画面の上方に表示されている検索ボックスへ、今度は漢字で「南瓜」と入力して検索ボタンをクリック。
すると、今度は漢字の「南瓜」だけヒットすることが分かると思います。
このような検索システムは、テキストの文字列の並びそのものが一致する個所を検索する仕組みであって、
単語分割して、単語ごとに認識して検索する仕組みを持ちません。
検索の仕組みとしては、単語分割するよりも簡単な検索となります。
これは特許検索でも同様です。
工業所有権情報・研修館の J-PlatPat は「テキスト検索」という言葉どおり、
テキストの文字列で一致するものがヒットする仕組みです。
このように単語分割しない簡易な検索が使える場合は多いです。
例えばワープロソフトの検索機能や、ＰＤＦ文書の簡易検索にも文字列での検索が行われます。
ただし、この文字列での検索も高度な検索として、「あいまい検索」などによる
ひらがな/カタカナ の展開や、半角/全角 、大文字/小文字の展開が可能なこともあります。
しかしながら「カボチャ」の入力で「南瓜」をヒットさせることは、できません。
・・・ちなみに、
ひらがな/カタカナ の展開や、半角/全角 、大文字/小文字の展開がどのように行われるかというと、
この場合は文字単位で展開するのです。ごく大まかな説明をすると、
例えば平仮名の「か」を、カタカナの「カ」と、半角の「ｶ」をに展開する。
また、小さい「ゃ」を、大きい「や」、カタカナの「ヤ」「ﾔ」「ャ」「ｬ」に展開する。
このような仕組みの場合は、単語分割や異表記辞書は不要です。
J-PlatPat の場合、ひらがな/カタカナ の展開は行われませんが、
半角/全角 と大文字/小文字の展開は行われます。よって特にアルファベットを使った検索の場合、
例えば「Ｃｏｏｋｉｅ」「ｃｏｏｋｉｅ」「ＣＯＯＫＩＥ」「Cookie」「cookie」「COOKIE」は、
すべて同じ検索結果になります。
この文字列での検索に関連して、英単語の検索のヒントです。
インターネットのブラウザに表示されている英語を簡易検索する場合、
Internet Explorer の場合は、
メニューバーの「編集(E)」→「このページの検索(F)」で検索ボックスが表示された際に、
オプション▼で「単語単位で探す(W)」が使えます。
この単語単位の検索が他のブラウザでは使えない場合があります。
例えば Google Chrome の「検索(F)」では、単語単位の検索ができません。
このような場合、例えばウェブページ内を「oil」で検索すると soil、spoil、roily、voile など
「oil」の文字列を含む不要な単語も検索されてハイライト表示されます。
特に特許文献のようなワード数の多い文献を少ない文字数で検索すると、
このように不要な文字列も検索されてハイライトされることになってしまいます。
このような場合に、最低でも「oil」で始まる単語だけをヒットさせる簡易な方法として、
「oil」の前に半角スペースを入れて「 oil」で検索する方法があります。
この方法では「oil」の後の文字、例えば語尾変化などはまとめて検索できます。
英語のテキストをよく使われるかたは、既にお使いの方法かとは思いますが、
もしもまだ半角スペース入力で不要な単語の検索を除く方法にお気づきでなかったら、
どうぞお試しください。
これからの検索システムへの期待
今回のコラムで見てきたとおり、
ひとつの概念を表す言葉には様々な異表記や同義語があります。
「情報検索の未来を探る」というテーマから言えば、
なるべく同じ概念の言葉は、自動的に展開してモレの無い検索が行われる方向に行ってほしいと思います。
例えば、カボチャの同義語として紹介した「スカッシュ」。
「スカッシュ」を JDreamIII で検索した場合、異表記の「スカッシ」は検索されます。
しかし、この言葉はまだ日本語として定着していなくて (^^;
「スカッシュ」や「スカッシ」のほかに、「スクワッシュ」「スクワッシ」とも書くんですよねぇ・・・。
なかなか、ここまでの展開はされない状況です。Google も対応していません（2016年11月８日現在）。
特許検索の場合も、自分の普段使っている用語以外の同義語に自動展開されると便利なのですが、
特許検索の商用データベースでの異表記展開でさえ、なかなか十分には対応できていないのが現状です。
例えば、上でご紹介したように、モレのない検索を行う場合に
後方一致検索として「？ファレンス」で検索して
「レファレンス」も「リファレンス」も検索する方法があるのですが、
この方法では「レファランス」や「リファランス」はヒットしないのです。
逆に不要な用語として「カンファレンス」や「コンファレンス」が一緒にヒットしてしまう場合もある。
なかなか上手くいかないものなのであります。
できれば、このような多様な異表記や同義語を、自動的に収集して辞書化して展開して検索に反映させる。
展開が不要な場合は解除できる（例：日経テレコン２１では「同義語展開なし」が選択可能）。
というのが理想かなと思いますが、まだそこまでは難しいのかもしれません。
同じ概念が様々に表記されている中で検索を行っている現状を、細かく見てみました。
今のところは、仕事で検索を行う場合、自分で責任もって検索語を確認して、
モレが生じないようにＯＲ演算するのがベスト、という結論になります。
余談ですが、このコラムをアップした直後に今年（2016年）の特許・情報フェアがあります。
ＡＩが注目されているなか、特許検索や特許分析のツールの現状を見に行きたいと思っていますが、
浜松から行くと丸一日の出張になってしまうんですよねぇ・・・。今年も行けるかどうか未定です。
普段は地方で仕事をしているハンディキャップはあまり感じないのですが、
行きたいフェアやセミナーなどがあるときは、
短時間で会場へ行ける関東圏の皆さんが羨ましくなります。
追記：
特許・情報フェア2016に行ってきました！
３年ぶりくらいに行きましたが、特許業界の「今」が感じられて興味深かったです。
久しぶりにお会いできたかたもいて、嬉しく思いました。
タイミングが合わなくて、残念ながらお会いできなかたかたもいらっしゃいますが、
また何かの機会にお話しを伺えれば幸いです。
