[PukiWiki]

全文検索システム『ひまわり』/TED字幕テキストの利用 の履歴(No.41)


  • 履歴一覧
  • 差分 を表示
  • 現在との差分 を表示
  • ソース を表示
  • 全文検索システム『ひまわり』/TED字幕テキストの利用 へ行く。
    • 1 (2020-08-04 (火) 00:54:02)
    • 2 (2020-08-04 (火) 06:06:49)
    • 3 (2020-08-04 (火) 06:20:57)
    • 4 (2020-08-04 (火) 06:35:26)
    • 5 (2020-08-04 (火) 06:39:15)
    • 6 (2020-08-04 (火) 06:39:32)
    • 7 (2020-08-04 (火) 06:43:41)
    • 8 (2020-08-04 (火) 06:44:04)
    • 9 (2020-08-04 (火) 06:53:26)
    • 10 (2020-08-04 (火) 06:56:47)
    • 11 (2020-08-04 (火) 06:57:29)
    • 12 (2020-08-04 (火) 07:37:51)
    • 13 (2020-08-04 (火) 07:37:51)
    • 14 (2020-08-04 (火) 08:34:55)
    • 15 (2020-08-04 (火) 08:35:32)
    • 16 (2020-08-04 (火) 08:44:40)
    • 17 (2020-08-04 (火) 09:54:23)
    • 18 (2020-08-04 (火) 09:54:23)
    • 19 (2020-08-04 (火) 09:54:23)
    • 20 (2020-08-04 (火) 20:39:25)
    • 21 (2020-08-04 (火) 20:40:08)
    • 22 (2020-08-04 (火) 20:41:55)
    • 23 (2020-08-04 (火) 20:43:57)
    • 24 (2020-08-04 (火) 20:59:07)
    • 25 (2020-08-04 (火) 20:59:32)
    • 26 (2020-08-04 (火) 22:14:54)
    • 27 (2020-08-04 (火) 22:16:12)
    • 28 (2020-08-04 (火) 22:27:39)
    • 29 (2020-08-04 (火) 22:32:52)
    • 30 (2020-08-04 (火) 22:46:47)
    • 31 (2020-08-04 (火) 22:49:56)
    • 32 (2020-08-04 (火) 22:50:50)
    • 33 (2020-08-04 (火) 22:53:30)
    • 34 (2020-08-04 (火) 22:53:56)
    • 35 (2020-08-04 (火) 22:54:18)
    • 36 (2020-08-04 (火) 23:44:06)
    • 37 (2020-08-04 (火) 23:46:15)
    • 38 (2020-08-04 (火) 23:53:54)
    • 39 (2020-08-05 (水) 00:12:56)
    • 40 (2020-08-05 (水) 00:15:47)
    • 41 (2020-08-05 (水) 00:18:08)
    • 42 (2020-08-05 (水) 00:24:29)
    • 43 (2020-08-05 (水) 00:24:41)
    • 44 (2020-08-05 (水) 00:24:41)
    • 45 (2020-08-21 (金) 01:44:05)
    • 46 (2020-08-24 (月) 02:26:21)
    • 47 (2020-08-24 (月) 02:29:40)
    • 48 (2020-08-24 (月) 02:32:51)
    • 49 (2020-08-24 (月) 23:42:05)
    • 50 (2020-12-24 (木) 07:01:27)
    • 51 (2021-04-23 (金) 05:09:56)
    • 52 (2021-04-23 (金) 05:12:26)
    • 53 (2021-04-22 (木) 20:13:09)

全文検索システム『ひまわり』

作成者:山口昌也 (国立国語研究所)
2020-08-04
 

1.概要†

 このページでは,TEDの字幕データを『ひまわり』で利用する方法について説明します。ここで紹介する方法を用いれば,日本語で検索し,対応する英語字幕と併記して結果を表示する,といったようなことを実現できます。

 なお,TEDの字幕テキストは,Creative Commons BY-NC-ND で公開されており,『ひまわり』用に変換したデータを配布できないため,字幕データから『ひまわり』形式データへの変換パッケージとして公開します。また,変換するための環境として,Windows (64ビット版)を前提とします。

↑

2.準備†

  1. WIT3で公開されているLatest version of XML files of the TED Talks (April 2016)から2言語分の字幕のXMLデータをダウンロードし,展開(解凍)してください。
    • 例:日本語(ted_ja-20160408.xml),英語(ted_en-20160408.xml)
      (この場合,2001講演になります)
  2. 変換パッケージをダウンロードして,展開(解凍)してください。
    • 変換パッケージ (ver.20200804, 151MB)
      • Windows環境(64ビット版)用です。
      • 本パッケージには,Strawberry Perl が同梱されています。
↑

3.変換†

  1. 展開した変換パッケージのフォルダ構成を確認してください。
    • Package フォルダ
    • perl フォルダ
    • TED フォルダ
    • henkan.bat
    • ted2himawari.pl
  2. TEDフォルダに,「2.準備」でダウンロードした二つのXMLデータをコピーしてください。
  3. コピーしたXMLファイルをlang1.xml, lang2.xmlとリネームしてください。
    • lang1.xmlのほうが全文検索の対象となる「第1言語」とします。
    • lang2.xmlのほうは,lang1.xmlの検索結果と対応付けて検索される「第2言語」です。後述のとおり,第2言語も検索できますが,あくまで補助的な位置づけだと考えてください。
  4. henkan.bat をダブルクリックしてください。DOS窓(黒いウィンドウ)が立ち上がり,変換が始まります。DOS窓が閉じたら,変換は完了です。数分かかります。
  5. 変換パッケージのPackageフォルダの中にあるTEDフォルダ(Package → Corpora → TED)に corpus.xml が生成されていることを確認してください。ファイルサイズは,236935KBとなるはずです。
  6. 『ひまわり』を起動してください。
  7. Package フォルダを『ひまわり』にドラッグ&ドロップし,作成したTEDパッケージをインポートします。成功すれば,『ひまわり』へのインポートは完了です。
    • インポート中に,次のエラーが出た場合,[ファイル]→[コーパス選択]でTED以外のコーパスを選択し,『ひまわり』を再起動後に,再度インポートを実行してください。
      インストール中に問題外が発生しました。インポートを中止します。〜(中略)〜別のプロセスが使用中です。
  8. 最後に,検索を高速に行うために,[ツール]→[構築]→[インデックス生成]を実行してください。処理には,数分〜十数分かかります。この処理を行わないと,全文検索できません。
  9. インデックス生成が終了すると,TEDパッケージが検索できる状態になっています。なお,別のコーパスを使用した後,再びTEDパッケージを検索する場合,[ファイル]→[コーパス選択]でTEDを選んでください。
↑

4.利用方法†

↑

検索対象†

  • 本文: 第1言語を全文検索します。
  • 本文(正規表現): 第1言語を正規表現で全文検索します。
  • 第2言語: 第2言語を検索します。キー欄(4.2節参照)には,対応する第1言語の発話が表示されます。
↑

4.2検索結果†

  • 検索結果をダブルクリックすると,講演全体の発話がWebブラウザに表示されます。
列名内容
前文脈キーの文字列の前文脈
キー検索キーと一致した文字列
後文脈キーの文字列の後文脈
TitleTEDの講演タイトル
SpeakerTEDの講演者
Language2キーと対応する第2言語の発話(前後1発話を含む)

注意:

  • ここでいう一つの「発話」とは,1字幕を表します。
  • Language2欄の値は,次のルールで作成しています。したがって,第2言語で検索したとき,第2言語の同じ発話に複数マッチします。
    1. キーの発話の時間情報と一致する第2言語の発話を探す。
    2. キーの発話の時間情報を基準として,第2言語の前後の1発話を1の発話の前後に連結する。区切り記号は," /// "です。

トップ   新規 一覧 検索 最終更新   ヘルプ   最終更新のRSS