Sudachi

Sudachi

日本語 README

Sudachi is Japanese morphological analyzer. Morphological analysis consists mainly of the following tasks.

• Segmentation
• Part-of-speech tagging
• Normalization

IMPORTANT v0.8.2 introduces a new dictionary binary format (V1). When upgrading from v0.8.1, you need to update the system dictionary and rebuild all user dictionaries against the exact system dictionary that will be used at runtime. The URL of the dictionary distribution page is also changed. See the migration guide.

CAUTION Release v0.8.* is unstable. It may include breaking changes even between patch versions, so please pin the exact version and review release notes carefully before upgrading.

Tutorial

For a tutorial on installation, please refer to the tutorial page.

For a tutorial on the plugin, please refer to the plugin tutorial page.

For information on using an user dictionary, please refer to the user dictionary page

For information on building Sudachi from source or development see Development page.

Features

Sudachi has the following features.

• Multiple-length segmentation
  • You can change the mode of segmentations
  • Extract morphemes and named entities at once
• Large lexicon
  • Based on UniDic and NEologd
• Plugins
  • You can change the behavior of processings
• Work closely with the synonym dictionary
  • We will release the sysnonym dictionary at a later date

Dictionaries

Sudachi has three types of dictionaries.

• Small: includes only the vocabulary of UniDic
• Core: includes basic vocabulary (default)
• Full: includes miscellaneous proper nouns

Click here for pre-built dictionaries. For more details, see SudachiDict.

How to use the small / full dictionary

Run the command line tool with the configuration string

$ java -jar sudachi-XX.jar -s '{"systemDict":"system_small.dic"}'

# or
$ java -jar sudachi-XX.jar --systemDict system_small.dic

Use on the command line

$ java -jar sudachi-XX.jar [-r conf] [-s json] [-p directory] [-m mode] [-o output] [-t|-ts] [-a] [--print-reading] [-f] [-d] [--systemDict file] [--userDict file] [--format class] [file...]

Options

• -r conf specifies the setting file (overrides -s)
• -s json additional settings (overrides -r)
• -p directory root directory of resources
• -m {A|B|C} specifies the mode of splitting
• -o file specifies output file (default: the standard output)
• -t separate words with spaces
• -ts separate words with spaces, and break line for each sentence
• -a outputs the dictionary form, the reading form, the dictionary id, the synonym group id list, and OOV flag.
• --print-reading outputs the reading form. If combined with -a, -a takes precedence.
• -f ignore errors
• -d dump the debug outputs
• --systemDict file specify path to the system dictionary. Will override other settings.
• --userDict file add a user dictionary. Will not override other settings, but add another user dictionary.
• --format class use the provided class for formatting output instead of default configuration

Examples

$ echo 東京都へ行く | java -jar target/sudachi.jar
東京都  名詞,固有名詞,地名,一般,*,*     東京都
へ      助詞,格助詞,*,*,*,*     へ
行く    動詞,非自立可能,*,*,五段-カ行,終止形-一般       行く
EOS

$ echo 東京都へ行く | java -jar target/sudachi.jar -a
東京都  名詞,固有名詞,地名,一般,*,*     東京都  東京都  トウキョウト    0       []
へ      助詞,格助詞,*,*,*,*     へ      へ      ヘ      0       []
行く    動詞,非自立可能,*,*,五段-カ行,終止形-一般       行く    行く    イク    0       []
EOS

$ echo 東京都へ行く | java -jar target/sudachi.jar --print-reading
東京都  名詞,固有名詞,地名,一般,*,*     東京都  トウキョウト
へ      助詞,格助詞,*,*,*,*     へ      ヘ
行く    動詞,非自立可能,*,*,五段-カ行,終止形-一般       行く    イク
EOS

$ echo 東京都へ行く | java -jar target/sudachi.jar -m A
東京    名詞,固有名詞,地名,一般,*,*     東京
都      名詞,普通名詞,一般,*,*,*        都
へ      助詞,格助詞,*,*,*,*     へ
行く    動詞,非自立可能,*,*,五段-カ行,終止形-一般       行く
EOS

$ echo 東京都へ行く | java -jar target/sudachi.jar -t
東京都 へ 行く

How to use the API

You can find details in the Javadoc.

To compile an application with Sudachi API, declare a dependency on Sudachi in maven project.

<dependency>
  <groupId>com.worksap.nlp</groupId>
  <artifactId>sudachi</artifactId>
  <version>0.5.3</version>
</dependency>

The modes of splitting

Sudachi provides three modes of splitting. In A mode, texts are divided into the shortest units equivalent to the UniDic short unit. In C mode, it extracts named entities. In B mode, into the middle units.

The followings are examples in the core dictionary.

A：選挙/管理/委員/会
B：選挙/管理/委員会
C：選挙管理委員会

A：客室/乗務/員
B：客室/乗務員
C：客室乗務員

A：労働/者/協同/組合
B：労働者/協同/組合
C：労働者協同組合

A：機能/性/食品
B：機能性/食品
C：機能性食品

The followings are examples in the full dictionary.

A：医薬/品/安全/管理/責任/者
B：医薬品/安全/管理/責任者
C：医薬品安全管理責任者

A：消費/者/安全/調査/委員/会
B：消費者/安全/調査/委員会
C：消費者安全調査委員会

A：さっぽろ/テレビ/塔
B：さっぽろ/テレビ塔
C：さっぽろテレビ塔

A：カンヌ/国際/映画/祭
B：カンヌ/国際/映画祭
C：カンヌ国際映画祭

In full-text searching, to use A and B can improve precision and recall.

Plugins

You can use or make plugins which modify the behavior of Sudachi.

Type of Plugins	Example
Modify the Inputs	Character normalization
Make OOVs	Considering script styles
Connect Words	Inhibition, Overwrite costs
Modify the Path	Fix Person names, Equalization of splitting

Prepared Plugins

We prepared following plugins.

Type of Plugins	Plugin
Modify the Inputs	character normalization	Full/half-width, Cases, Variants
	normalization of prolong symbols	Normalize "~", "ー"s
	Remove yomigana	Remove yomigana in parentheses
Make OOVs	Make one character OOVs	Use as the fallback
	MeCab compatible OOVs
Connect Words	Inhibition	Specified by part-of-speech
Modify the Path	Join Katakata OOVs
	Join numerics
	Equalization of splitting*	Smooth of OOVs and not OOVs
	Normalize numerics	Normalize Kanji numerics and scales
	Estimate person names*

* will be released at a later date.

Normalized Form

Sudachi normalize the following variations.

• Okurigana
  • e.g. 打込む → 打ち込む
• Script
  • e.g. かつ丼 → カツ丼
• Variant
  • e.g. 附属 → 付属
• Misspelling
  • e.g. シュミレーション → シミュレーション
• Contracted form
  • e.g. ちゃあ → ては

Character Normalization

DefaultInputTextPlugin normalizes an input text in the following order.

1. To lower case by Character.toLowerCase()
2. Unicode normalization by NFKC

When rewrite.def has the following descriptions, DefaultInputTextPlugin stops the above processing and aplies the followings.

• Ignore

# single code point: this character is skipped in character normalization
髙

• Replace

# rewrite rule: <target> <replacement>
A' Ā

If the number of characters increases as a result of character normalization, Sudachi may output morphemes whose length is 0 in the original input text.

User Dictionary

To create and use your own dictionaries, please refer to V1 user dictionary guide. To rebuild a dictionary created for v0.8.1 or earlier, follow the user dictionary migration guide.

Comparison with MeCab and Kuromoji

	Sudachi	MeCab	kuromoji
Multiple Segmentation	Yes	No	Limited ^a
Normalization	Yes	No	Limited ^b
Joining, Correction	Yes	No	Limited ^b
Use multiple user dictionary	Yes	Yes	No
Saving Memory	Good ^c	Poor	Good
Accuracy	Good	Good	Good
Speed	Good	Excellent	Good

• ^a: approximation with n-best
• ^b: with Lucene filters
• ^c: memory sharing with multiple Java VMs

Future Releases

• Speeding up
• Releasing plugins
• Improving the accuracy
• Adding more split informations
• Adding more normalized forms
• Fix reading forms (pronunciation -> Furigana)
• Coodinating segmentations with the synonym dictionary

Licenses

Sudachi

Sudachi by Works Applications Co., Ltd. is licensed under the Apache License, Version2.0

Copyright (c) 2017 Works Applications Co., Ltd.

Licensed under the Apache License, Version 2.0 (the "License"); you may not use this file except in compliance with the License. You may obtain a copy of the License at

   http://www.apache.org/licenses/LICENSE-2.0

Unless required by applicable law or agreed to in writing, software distributed under the License is distributed on an "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. See the License for the specific language governing permissions and limitations under the License.

Logo

This logo or a modified version may be used by anyone to refer to the morphological analyzer Sudachi, but does not indicate endorsement by Works Applications Co., Ltd.

Copyright (c) 2017 Works Applications Co., Ltd.

Elasticsearch

We release a plug-in for Elasticsearch.

• https://github.com/WorksApplications/elasticsearch-sudachi

Python / Rust

An implementation of Sudachi in Python and Rust

• https://github.com/WorksApplications/sudachi.rs

Slack

We have a Slack workspace for developers and users to ask questions and discuss a variety of topics.

• https://sudachi-dev.slack.com/
• (Please get an invitation from here)

Citing Sudachi

We have published a paper about Sudachi and its language resources; "Sudachi: a Japanese Tokenizer for Business" (Takaoka et al., LREC2018).

When citing Sudachi in papers, books, or services, please use the follow BibTex entry;

@InProceedings{TAKAOKA18.8884,
  author = {Kazuma Takaoka and Sorami Hisamoto and Noriko Kawahara and Miho Sakamoto and Yoshitaka Uchida and Yuji Matsumoto},
  title = {Sudachi: a Japanese Tokenizer for Business},
  booktitle = {Proceedings of the Eleventh International Conference on Language Resources and Evaluation (LREC 2018)},
  year = {2018},
  month = {may},
  date = {7-12},
  location = {Miyazaki, Japan},
  editor = {Nicoletta Calzolari (Conference chair) and Khalid Choukri and Christopher Cieri and Thierry Declerck and Sara Goggi and Koiti Hasida and Hitoshi Isahara and Bente Maegaard and Joseph Mariani and Hélène Mazo and Asuncion Moreno and Jan Odijk and Stelios Piperidis and Takenobu Tokunaga},
  publisher = {European Language Resources Association (ELRA)},
  address = {Paris, France},
  isbn = {979-10-95546-00-9},
  language = {english}
  }

---

Sudachi (日本語README)

English README

Sudachi は日本語形態素解析器です。形態素解析はおもに以下の3つの処理を おこないます。

• テキスト分割
• 品詞付与
• 正規化処理

IMPORTANT v0.8.2 では辞書のバイナリ形式が更新されました（V1）。v0.8.1 以前からアップデートする際は、システム辞書を再取得し、すべてのユーザー辞書を実行時に使用するものと同じシステム辞書を指定して再ビルドしてください。URL を指定して辞書をダウンロードしている場合は、その URL を更新してください。詳細はバージョン移行ガイドを参照してください。

CAUTION v0.8.* ではSudachi v1のリリース準備が行われます。パッチバージョン間でもAPIや挙動の破壊的変更が行われる可能性があるため、利用時には完全なバージョンを指定するようにしてください。

チュートリアル

インストールのチュートリアルは、チュートリアルを参照ください。

プラグインのチュートリアルは、プラグインのチュートリアルを参照ください。 プラグイン機構を用いて、分かち書きを実現しています。

ユーザ辞書の使用については、ユーザ辞書（V1 形式）を参照ください。

Sudachi の特長

Sudachi は従来の形態素解析器とくらべ、以下のような特長があります。

• 複数の分割単位の併用
  • 必要に応じて切り替え
  • 形態素解析と固有表現抽出の融合
• 多数の収録語彙
  • UniDic と NEologd をベースに調整
• 機能のプラグイン化
  • 文字正規化や未知語処理に機能追加が可能
• 同義語辞書との連携
  • 後日公開予定

辞書の取得

Sudachi には3種類の辞書があります。

• Small: UniDic の収録語とその正規化表記、分割単位を収録
• Core: 基本的な語彙を収録 (デフォルト)
• Full: 雑多な固有名詞まで収録

ビルド済みの辞書はこちらで配布しています。 くわしくは SudachiDict をごらんください。

スモール/フル辞書の利用方法

コマンドラインツールで設定文字列を指定します

$ java -jar sudachi-XX.jar -s '{"systemDict":"system_small.dic"}'

# もしくは
$ java -jar sudachi-XX.jar --systemDict system_small.dic

コマンドラインツール

$ java -jar sudachi-XX.jar [-r conf] [-s json] [-p directory] [-m mode] [-o output] [-t|-ts] [-a] [--print-reading] [-f] [-d] [--systemDict file] [--userDict file] [--format class] [file...]

オプション

• -r conf 設定ファイルを指定 (-s と排他)
• -s json デフォルト設定の上書き (-r と排他)
• -p directory リソースの起点となるディレクトリを指定
• -m {A|B|C} 分割モード
• -o 出力ファイル (指定がない場合は標準出力)
• -t 単語をスペース区切りで出力
• -ts 単語をスペース区切りで出力、文末で改行を出力
• -a 追加で辞書形、読み、辞書ID、同義語グループID、OOV フラグを出力
• --print-reading 追加で読みを出力。-a と同時に指定した場合は -a を優先
• -f エラーを無視して処理を続行する
• -d デバッグ情報の出力
• --systemDict file システム辞書バイナリを指定。他のオプションを上書きする
• --userDict file ユーザ辞書バイナリを追加する。他のオプションでの指定に対して追加される
• --format class 出力のフォーマットに使用する Java クラスを指定する

出力例

$ echo 東京都へ行く | java -jar target/sudachi.jar
東京都  名詞,固有名詞,地名,一般,*,*     東京都
へ      助詞,格助詞,*,*,*,*     へ
行く    動詞,非自立可能,*,*,五段-カ行,終止形-一般       行く
EOS

$ echo 東京都へ行く | java -jar target/sudachi.jar -a
東京都  名詞,固有名詞,地名,一般,*,*     東京都  東京都  トウキョウト    0       []
へ      助詞,格助詞,*,*,*,*     へ      へ      ヘ      0       []
行く    動詞,非自立可能,*,*,五段-カ行,終止形-一般       行く    行く    イク    0       []
EOS

$ echo 東京都へ行く | java -jar target/sudachi.jar --print-reading
東京都  名詞,固有名詞,地名,一般,*,*     東京都  トウキョウト
へ      助詞,格助詞,*,*,*,*     へ      ヘ
行く    動詞,非自立可能,*,*,五段-カ行,終止形-一般       行く    イク
EOS

$ echo 東京都へ行く | java -jar target/sudachi.jar -m A
東京    名詞,固有名詞,地名,一般,*,*     東京
都      名詞,普通名詞,一般,*,*,*        都
へ      助詞,格助詞,*,*,*,*     へ
行く    動詞,非自立可能,*,*,五段-カ行,終止形-一般       行く
EOS

$ echo 東京都へ行く | java -jar target/sudachi.jar -t
東京都 へ 行く

ライブラリの利用

ライブラリとしての利用は Javadoc を参照してください。

Maven プロジェクトで利用する場合は以下の dependency を追加してください。

<dependency>
  <groupId>com.worksap.nlp</groupId>
  <artifactId>sudachi</artifactId>
  <version>0.5.3</version>
</dependency>

分割モード

Sudachi では短い方から A, B, C の3つの分割モードを提供します。 A は UniDic 短単位相当、C は固有表現相当、B は A, C の中間的な単位です。

以下に例を示します。

(コア辞書利用時)

A：選挙/管理/委員/会
B：選挙/管理/委員会
C：選挙管理委員会

A：客室/乗務/員
B：客室/乗務員
C：客室乗務員

A：労働/者/協同/組合
B：労働者/協同/組合
C：労働者協同組合

A：機能/性/食品
B：機能性/食品
C：機能性食品

(フル辞書利用時)

A：医薬/品/安全/管理/責任/者
B：医薬品/安全/管理/責任者
C：医薬品安全管理責任者

A：消費/者/安全/調査/委員/会
B：消費者/安全/調査/委員会
C：消費者安全調査委員会

A：さっぽろ/テレビ/塔
B：さっぽろ/テレビ塔
C：さっぽろテレビ塔

A：カンヌ/国際/映画/祭
B：カンヌ/国際/映画祭
C：カンヌ国際映画祭

検索用途であれば A と C を併用することで、再現率と適合率を向上させる ことができます。

機能追加プラグイン

Sudachi では形態素解析の各ステップをフックして処理を差し込むプラグイン機構を 提供しています。

プラグイン	処理例
入力テキスト修正	異体字統制、表記補正
未知語処理	文字種による調整
単語接続処理	品詞接続禁制、コスト値上書き
出力解修正	人名処理、分割粒度調整

プラグインを作成することでユーザーが独自の処理をおこなうことができます。

システム提供プラグイン

システム提供のプラグインとして以下のものを利用できます。

処理部分	プラグイン
入力テキスト修正	文字列正規化	全半角、大文字/小文字、異体字
		カスタマイズ可能
	長音正規化	「~」や長音記号連続の正規化
	読みがな削除	括弧内の読み仮名を削除
未知語処理	1文字未知語	フォールバックとして利用
	MeCab互換
単語接続処理	品詞接続禁制	カスタマイズ可能
出力解修正	カタカナ未知語まとめ上げ
	数詞まとめ上げ
	分割粒度調整*	未知語/既知語の分割粒度の平滑化
	数詞正規化	漢数詞や位取りの正規化
	人名補正*	敬称や前後関係から人名部を推定

* は後日公開予定

表記正規化

Sudachi のシステム辞書では以下のような表記正規化を提供します。

• 送り違い
  • 例) 打込む → 打ち込む
• 字種
  • 例) かつ丼 → カツ丼
• 異体字
  • 例) 附属 → 付属
• 誤用
  • 例) シュミレーション → シミュレーション
• 縮約
  • 例) ちゃあ → ては

文字正規化

デフォルトで適用されるプラグイン DefaultInputTextPlugin で入力文に対して以下の順で正規化をおこないます。

1. Character.toLowerCase() をつかった小文字化
2. NFKC をつかった Unicode 正規化

ただし、rewrite.def に以下の記述があった場合は上記の処理は適用されず、こちらの処理が優先されます。

• 正規化抑制

# コードポイントが1つのみ記述されている場合は、文字正規化を抑制します
髙

• 置換

# 置換対象文字列 置換先文字列
A' Ā

文字正規化の結果、文字数が増えた場合、原文上では長さが0になる形態素が出力されることがあります。

ユーザー辞書

ユーザー辞書の作成と利用方法については、ユーザー辞書（V1 形式）をご覧ください。v0.8.1 以前向けに作成した辞書（V0 形式）を再ビルドする場合は、ユーザー辞書の移行手順を参照してください。

MeCab / kuromoji との比較

	Sudachi	MeCab	kuromoji
分割単位の併用	○	×	△ ^1
文字正規化、表記正規化	○	×	△ ^2
まとめ上げ、補正処理	○	×	△ ^2
複数ユーザ辞書の利用	○	○	×
省メモリ	◎ ^3	△	○
解析精度	○	○	○
解析速度	△	○	△

• ^1: n-best解による近似
• ^2: Lucene フィルター併用
• ^3: メモリマップ利用による複数 JavaVM での辞書共有

今後のリリースでの対応予定

• 高速化
• 未実装プラグインの整備
• 解析精度向上
• 分割情報の拡充
• 正規化表記の拡充
• 読み情報の整備 (発音読み → ふりがな読み)
• 同義語辞書との連携

Elasticsearch

Elasticsearch で Sudachi をつかうためのプラグインも公開しています。

• https://github.com/WorksApplications/elasticsearch-sudachi

Python / Rust

Python 版および Rust 版も公開しています。

• https://github.com/WorksApplications/sudachi.rs

Slack

開発者やユーザーの方々が質問したり議論するためのSlackワークスペースを用意しています。

• https://sudachi-dev.slack.com/
• (こちらから招待を受けてください)

Sudachiの引用

Sudachiとその言語資源について、論文を発表しています; "Sudachi: a Japanese Tokenizer for Business" (Takaoka et al., LREC2018).

Sudachiを論文や書籍、サービスなどで引用される際には、以下のBibTexをご利用ください。

@InProceedings{TAKAOKA18.8884,
  author = {Kazuma Takaoka and Sorami Hisamoto and Noriko Kawahara and Miho Sakamoto and Yoshitaka Uchida and Yuji Matsumoto},
  title = {Sudachi: a Japanese Tokenizer for Business},
  booktitle = {Proceedings of the Eleventh International Conference on Language Resources and Evaluation (LREC 2018)},
  year = {2018},
  month = {may},
  date = {7-12},
  location = {Miyazaki, Japan},
  editor = {Nicoletta Calzolari (Conference chair) and Khalid Choukri and Christopher Cieri and Thierry Declerck and Sara Goggi and Koiti Hasida and Hitoshi Isahara and Bente Maegaard and Joseph Mariani and Hélène Mazo and Asuncion Moreno and Jan Odijk and Stelios Piperidis and Takenobu Tokunaga},
  publisher = {European Language Resources Association (ELRA)},
  address = {Paris, France},
  isbn = {979-10-95546-00-9},
  language = {english}
  }