手順

手順1：

コーパスを分割する

コーパスを８分割し，そのうち１つをテストデータ， 他を学習データとする．

手順2：

IOB2タグをIOE2タグに変換する．存在物タグ部分の変換例を表4.1に示す．

表: タグ変換の例

単語	変換前	変換後
名古屋	O	O
駅	O	O
で	O	O
Ｎ	B	I
７	I	I
０	I	I
０	I	I
系	I	E
と	O	O
ドクター	B	I
イエロー	I	E
を	O	O
撮影	O	O
し	O	O
まし	O	O
た	O	O
。	O	O

手順3：

学習データの素性を作成

学習データに4.1.2節で述べた素性を作成する． 入力文「名古屋駅でＮ７００系とドクターイエローを撮影しました。」 の存在物の抽出実験時の例を図4.1に示す．

図: 学習データの例

手順4：

SVMに学習データを学習させる．

手順5：

テストデータの素性を作成

テストデータに4.1.2節で述べた素性を元に作成する． ただし次のクラスがX，I，O，および，Eだけのものをそれぞれ作成する．

入力文「名古屋駅でＮ７００系とドクターイエローを撮影しました。」の存在物の抽出実験時の例を 図4.2に示す．

図: テストデータ抽出した存在物の１つずつに注目し，その存在物ごとに， 対応する場所を検出するタスクとする．の例（次のクラスがXの場合）

手順6：

文末から文頭の順に推定を行う．

推定の例を表4.2に示す．品詞は紙面の都合上，省略して記す．

存在物を抽出する場合を例に説明する． 文末から推定を行うので，まず，単語「。」を推定する． 「。」の品詞は記号であるためSVMは存在物でないと判断し，「。」のタグを「O」と推定する． 次に，「。」の文頭側の単語「た」を推定する． 「た」の次の推定タグの部分には， 「た」の文末側の単語「。」の推定結果「O」が付与される． 「た」の品詞は助動詞であり次の単語は「EOS（End Of Sentense）」であるため存在物でないと判断し， 「た」のタグを「O」と推定する． 次は「た」の文末側「まし」を推定する． このような順でSVMは推定を繰り返す．

表: タグの推定の例（存在物の抽出）

単語	素性					推定結果
	次の単語の 推定タグ	次の単語	品詞	固有表現タグ	係り先
名古屋	O	駅	名詞	B-LOCATION	nil	O
駅	O	で	名詞	I-LOCATION	nil	O
で	I	Ｎ	助詞	O	で撮影	O
Ｎ	I	７	記号	O	nil	I
７	I	０	名詞	O	nil	I
０	I	０	名詞	O	nil	I
０	E	系	名詞	O	nil	I
系	O	と	名詞	O	nil	E
と	I	ドクター	助詞	O	とドクター	O
ドクター	E	イエロー	名詞	O	nil	I
イエロー	O	を	名詞	O	nil	E
を	O	撮影	助詞	O	を撮影	O
撮影	O	し	名詞	O	nil	O
し	O	まし	動詞	O	nil	O
まし	O	た	助動詞	O	nil	O
た	O	。	助動詞	O	nil	O
。	X	EOS	記号	O	nil	O

手順7：

IOE2タグをIOB2タグに変換する． タグをBまたはIと推定したものが存在物/場所を抽出した箇所となる． 表4.2の例では「Ｎ７００系」と「ドクターイエロー」が存在物として抽出されている．