日本のデジタル辞書を支えるXMLフォーマット"LeXML"

日本のデジタル辞書を支える  XMLフォーマット “LeXML” 2022年5月18日    株式会社ディジタルアシスト  永田健児 

自己紹介  1990 日外アソシエーツ(株)入社  • 書誌DB、新聞記事DB、電子ブック、EPWING...  2000 イースト(株)入社  • 官報XML、DicX、三省堂WebDictionary...  2001　ディジタルアシスト起業 
• 辞書事典類のデジタル化専業  • 辞書専用XMLフォーマット「LeXML」の策定・公開  • IEC TC100/TA10で国際標準策定    日本電子出版協会(JEPA)理事／レファレンス委員会委員長   

LeXML以前  辞書の基本構造とデジタル辞書の歴史 

電卓から電子辞書へ  1979 シャープがポケット電訳機「IQ-3000」を発売  英和2800語+和英5000語／アルファベットとカタカナ(16桁×1行)   1987 三洋電機がIC辞書「電字林PD-1」を発売  英和約3万5000語／漢字仮名まじり表示に対応  1992 セイコーがIC辞書「TR-700」を発売 
研究社『新英和・和英中辞典』／フルコンテンツ収録   1996 カシオ計算機が電子辞書「XD-500」を発売  エクスワード1号機／タッチパネル  

CD-ROM辞書とマルチメディア  1985 『最新科学技術用語辞典』(三修社)  1987 『広辞苑第三版 CD-ROM版』(岩波書店)  1990 ソニーが「データディスクマンDD-1」を発売  　同時に電子ブックコミッティ設立 
1991 EPWINGコンソーシアム設立  1995 富士通が自社PCにCD-ROM辞書を標準搭載  1997 JIS X4081「日本語電子出版検索データ構造」 

デジタル辞書の系譜 

LeXML誕生  LeXMLの策定と普及 

DicXと三省堂WebDictionary • 2000年初夏に「三省堂WebDictionary」企画スタート (三省堂創業120周年記念事業)。  • 16種類/120万語の辞書データを“統一された形式” で整備する必要が生じる。  • しかも、国語、ことわざ・慣用句、英和、和英、独和、仏和、地名と多種多様。 
• 辞書フォーマット（DicX）の設計、XML変換と調整、システム開発・検証を並行して進め、サービス開始当日（2001年1月12日）未明になんとか完成。 

電子辞書の進化とJapanKnowledge 高校生モデル  カラー液晶  音声読み上げ  第二外国語／メモリーカード／医療モデル  中学生モデル  小学生モデル  手書きパッド  ワンセグ  動画コンテンツ 
小学校低学年モデル  発音聞き比べ  ◦  『日本歴史地名大系』追加  『国史大辞典』追加  『日本国語大辞典』追加  『大漢和辞典』追加  独和・仏和大辞典追加  『ランダムハウス英和大辞典』追加 

辞書コンテンツのXML化  組版出力データ  組版ソースデータ  XML変換  ・項目確定  ・見出し語  ・語義語釈  ・用例 
・子見出し  ・コラム  データ  クリーニング  リッチ化  ・検索キー  ・参照リンク  ・省略復元  ・外字  ・画像  ・音声  チェック  調整  納品XML 

LeXML v.1.0～2.0β LeXML v.1.0  2002年10月に公開。約100タイトルのXML化実績に基づく。電子辞書専用機向けの機能を拡充。  LeXML v.2.0β 2007年12月に公開。約200タイトルのXML化実績に基づく。電子辞書専用機の機能強化や常時改訂コンテンツのマスタ管理
用途など。「IEC 62605:2011」に採用。 

企画・編集支援、版下作成  オリジナル  XML  データ修正  データ更新  データ処理  データ修正  データ更新  データ処理  XMLチェック 
差分チェック  調整    索引作成  組版  納品XML  通しゲラ  抽出ゲラ  作業用データ  (エクセル)  新規追加原稿  修正原稿 

LeXML v.3.0～3.1 LeXML v.3.0 2014年10月に公開。約500タイトル(LeXML以外含む)のXML化実績に基づく。スマホアプリ向けのデータリッチ化のニーズに対応。「IEC 62605:2016」(ed.2.0)と同期。    LeXML v.3.1
2021年9月に公開。オンラインサービスやアプリ等での表示形式多様化に対応。項目内ブロック化、用例記述、ラベル分類等を強化。「IEC 62605:2021」(ed.3.0)と同期。 

常時改訂とメンテナンス  • (書籍版とは分岐した)デジタル版の作成  ◦ デジタル環境に最適化(主に外字)  • デジタル版コンテンツ(XML)の定期更新  ◦ 最新情報の取り込み  •
編集支援システム(DB)への投入および出力データのXML整備  ◦ DBでは手が届かない箇所の手当  • データ更新の“見える化” 

LeXML採用コンテンツ数 

LeXML概要  LeXMLのタグ構造とエンティティ 

LeXMLの基本方針と特長  1. シンプルな構造  a. 文系編集者でもHTMLレベルの知識があればチェックや編集が可能  b. 複雑な入れ子構造はできるだけ排除  c. 属性名で日本語を許容し、タグ数を極力減らす  ※中型国語辞典ELEMENT数：Aは約40、Bは約160、LeXML採用のCは27。 
2. 辞書の個性の尊重  a. "先に器あり"の固定フォーマットではなく、特に属性指定の自由度によって、辞書の個性を保持できる  3. 作り込みの自由度  a. 具体的な活用ニーズやデジタル化にかけられるコストに合わせて、作り込み度を自由に設定ができる  b. 段階的なブラッシュアップ・リッチ化が可能 

LeXMLの文書形式とエンコーディング  • 仕様書では、XML文書型やエンコーディングについて触れていますが...  ↓  • 実際には文書型宣言やルート要素は省略  ：辞書項目単位で構造チェック  • 社内作業(編集/処理)はシフトJISベース 
：必要に応じてユニコード変換して納品  • DTDは一応用意していますが、実際に使用されたのは（おそらく）1社だけ...。 

LeXMLの基本構造①項目単位  項目単位を構成するのはdic-item。  この単位の選定がとても重要。  <dic-item id="ABC00000100"> <head> <headword>みだし・ご</headword> <key>みだしご</key> <headword type="表記">見出し語</headword>
<key type="表記">見出し語</key> </head> <meaning>語義語釈、解説など</meaning> <example>用例</example> <subhead subid=”ABC00000100#01”> <subheadword type="子見出し">子見出し（派生語、複合語、成句など） </subheadword> <key type="子見出しかな">こみだし</key> <key type="子見出し表記">子見出し</key> <meaning>子見出しの語義語釈・解説など </meaning> </subhead> </dic-item>

LeXMLの基本構造②見出し語  head 見出し語グループ  headword 見出し語。type 属性を指定。  英和辞典の場合      
  国語辞典の場合   

LeXMLの基本構造③本文・用例  meaning 解説本文  example 用例   

LeXMLの基本構造④子見出し  subhead 　　子見出しブロック  subheadword 見出し語(子見出し) 

辞書の特徴的な表現への対応  • 追い込みが多い  →改行タイミングの決定が重要  • 親見出しの省略が多い  →キーワード、用例等での補完  • ラベル類はカオス（特に改訂を重ねたもの）  ：〔電算〕〔コン〕〔コンピ〕〔コンプ〕〔IT〕 
• ページ依存の記述  ：「次頁」「前項」「↑」「左表」「右段」「巻末」  • 外字が多い  →後述 

検索用キーワードの切り出しと正規化  1. 不要な情報の削除  **leave1 重要語記号・肩番号をトル →「leave」  *dic･tion･ar･y重要語記号・分綴記号をトル →「dictionary」  äußer 欧文特殊文字の正規化
→「ausser」  ×伊▽勢海=老漢字表記に関する情報をトル →「伊勢海老」    2. 省略された情報の補完  A･mer･i･can･ize, (英) -ise →「Americanize」「Americanise」  dig･it･al／～･ly →「digital」「digitally」    3. 言い換えの展開  en･cy･clo･p(a)e･di･a →「encyclopaedia」「encyclopedia」  cómpact dìsc [dìsk] →「compact disc」「comapct disk」

日本語見出しの特殊事情  検索システム側で吸収するのが理想的ですが...    1. ひらがな・カタカナ・漢字・英数字(全角半角/大文字小文字)の混在。  2. 清音、(半)濁音、拗促音の“揺れ”。  3. カタカナ表記の“揺れ”。特にヴァ行と長音(ー)。  アクティブウインドー/アクティブウインドウ/アクティヴウインドー/アクチブウインドー
  4. 複数の漢字表記がある。当て字、新字体/旧字体。  あくたがわ‐りゅうのすけ【芥川竜之介】→ KEY:芥川竜之介/芥川龍之介   けいおうぎじゅく‐だいがく【慶応義塾大学】→ KEY:慶応義塾大学/慶應義塾大学/慶應義塾大學   5. 送り仮名の付け方に許容が認められている。  うめたて‐ち【埋(め)立(て)地】→ KEY: 埋立地/埋め立地/埋立て地/埋め立て地   6. 辞書上では漢字が充てられているが、交ぜ書きが一般的なもの。  せっ‐けん【石×鹸】→ KEY: 石鹸/石けん   7. 学習辞典における教育漢字の影響。  けんびきょう【けんび 4鏡】→KEY:けんび鏡/顕微鏡   8. 踊り字。  じじ‐こっこく【時時刻刻】→KEY:時時刻刻/時々刻々  

参照リンクの埋め込み  • “を見よ”参照と「カラ項目」  • “をも見よ”参照  • 対語、反対語、活用・変化形、派生語...  • 自項目内参照、多項目“内”参照   
※アンマッチは必ず、それも大量に発生  ➢ (改訂時等で)参照先が削除された  ➢ 参照元と参照先文字列の表記揺れ  ➢ そもそも立項していない(開き直り) 

“外字”対応  • 語学辞書はとにかく“外字”が多い。ソースデータ(組版データ) で数百種類はザラ。数千種類であることも。  • LeXML自体はユニコードに対応しているが、諸々の事情から安全策として、JIS第一水準・第二水準を基準としている。これ以外の文字の表現には以下の方法を使用。  ①HTMLのエンティティ定義  ②LeXMLで独自に拡張定義した実体参照 
③ユニコードの数値参照  ④外字画像  • もちろん、ユニコード変換して納品、というパターンも増えてきている。 

“外字”記述  ①HTMLのエンティティ定義  á=「á」、æ=「æ」、©=「©」など。    ②LeXMLで独自に拡張定義した実体参照  &amacr;=「ā」、&scripta;=「ɑ」(≠「a」)、&eng;=「ŋ」、&yubisashi;=「☞」、&bc1;=「❶」、 &frac13;=「⅓」など。    ③ユニコードの数値参照  U+9127
=「鄧」 =「鄧」 =「鄧」  U+9AD9 =「髙」 =「髙」 =「髙」    ④外字タグ  <gi set=”(外字セット名)” name=”(外字コード)” />  <gix alt="叱">𠮟</gix> 

検証と納品  • 専用ツールでXML構造をチェック  • 「誤植のない辞書はない」ため、機械判定のできない誤植や内容に関する修正は半永久的に続く...  • そのため、バージョン管理がとても重要  •
納品物は基本的に以下の通り  ◦ XML本体  ◦ タグカウントリスト：更新の都度  ◦ データ仕様書：タグに変更があった場合のみ更新  ※最大の仕事は数合わせだったり... 

国際標準 IEC 62605  国際標準化と今後の展開 

辞書標準の実際  •タグテキスト •TSV／CSV（エクセル） •DB（アクセス／etc.） •SGML •HTML／XHTML •XML ◦CollexML ◦OxMonolingML&OxBilingML ◦Franklin
Dictionary Neutral XML ◦LeXML マスタ＆交換フォーマット  •WING／EPWING (JISX4081) ／ONESWING •EB／EBG／EBXA／BBeB •XMDF •Mobipocket / KindleGen •EPUB 3 Dictionaries and Glossaries •その他、多くの独自フォーマットリーダー供用フォーマット  オーサリング／インデキシング 

Edition 1.0(2011)：国際標準化の手続き  2005年　JEITA E-Book標準化G発足  2007年　IEC会合で日本が標準化提案  2008年　TC100/TAで仕様策定開始  ←JEPAレファレンス委員会が  　オブザーバ参加  2009年 CD(委員会原案)を提出 
2011年「IEC 62605:2011」公開    Multimedia systems and equipment - Multimedia e-publishing and e-books - Interchange format for e-dictionaries 

Edition 2.0(2016)：LeXML完全同期  • IEC62605:2011(ed.1)  ◦ 辞書本体部分はLeXML v.2.0βがベース  ◦ 全体構造、書誌、マルチメディア機能等は  「IEC62448
Annex B」(XMDF)で規定  ◦ 電子辞書・オンライン辞書等の実績ベースの仕様    • IEC62605:2016(ed.2)  ◦ ed.1規定文書をAnnex Aに移行  ◦ Annex Bの仕様策定をLeXML v.3.0と同期  ◦ スマホアプリ等を意識した自由度の高い表現   

Edition 3.0(2021)：数式と漢文対応  • パーソナライズ等、表示可変に対応  ◦ 解説本文のブロック深化  ◦ 重要記述、スニペット  • データベース機能の強化 
◦ 典拠用例記述の詳細化  ◦ ラベル類の体系化、コード対応  • 外字記述形式の多様化  ◦ システム・デバイス別の切替に対応  • 学参需要に備える  ◦ 数式対応（MathML、MathJax）  ◦ 漢文対応（※これがもう大変） 

Edition 4.0(2025)：LeXML v.4.0と共に  • ボーンデジタルの環境を整える  • アクセシビリティ強化  • 多様な検索に備える  •
辞書表現の固定概念からの脱却 

おわりに  LeXMLはどのようにして普及したか   

LeXMLの場合...  • 必要に応じて、必要な分だけ  • 共通化要素と自由に記述できる部分の仕分け  ◦ 共通化要素=データ処理担当者の評価  ◦ 自由な記述=発注側(出版社)の評価  •
クライアント(辞書編集者)を巻き込む  • (辞書に限れば)汎用的な編集支援システムはハードルが高い  • "交換フォーマット"と割り切って、即応性とコストパフォーマンス最優先 

日本のデジタル辞書を支えるXMLフォーマット"LeXML"

日本のデジタル辞書を支えるXMLフォーマット"LeXML"

XSPA

More Decks by XSPA

Other Decks in Technology

Featured

Transcript