要約
本稿では、アラビア語の発音記号（ディアクリティック）の自動復元問題に取り組むためのアプローチを提案する。この手法は、パイプライン構造で連接された3つのコンポーネントから構成されている。第一は、LSTM層とDense層を備えた多層再帰型ニューラルネットワーク（RNN）を用いた深層学習モデルであり、第二は文字単位で動作するルールベースの訂正モジュールで、確定的な操作により一部の誤りを防止する。第三は単語単位の統計的訂正モジュールであり、文脈情報および編集距離（edit distance）情報を用いて、特定の発音記号付与に関する問題を修正する。本手法の新規性は、異なるタイプの手法を統合し、編集距離に基づく訂正を追加することで、従来のアプローチと差別化されている点にある。本研究では、事前にデータのクリーニングおよび正規化を施した大規模な公開データセット（Tashkeela）を用いて、システムの学習および評価を行った。新しくリリースされたベンチマークテストセットにおいて、全アラビア語文字を対象とした評価では、ディアクリティック誤り率（DER）が3.39%、単語誤り率（WER）が9.94%を達成し、比較対象のすべてのシステムを上回った。また、各単語の最後の文字の発音記号付与を無視した評価では、DERが2.61%、WERが5.83%となり、さらなる性能向上が確認された。