固有表現抽出 (G検定)

1. 定義と概要

固有表現抽出とは、文章の中からあらかじめ定められた種類の固有表現（人名・地名・組織名・日付表現・時間表現・金額表現・割合表現・固有物名など）を見つけ出し、その種類を判別する自然言語処理の技術です。抽出の対象となる語句はエンティティ（固有表現抽出が見つけ出す対象となる、人名や組織名などの具体的な語句を指す呼び方）とも呼ばれ、固有表現抽出は情報抽出（文章の中から必要な情報だけを取り出して整理する処理分野）の一分野に位置づけられます。

「IREX」（固有表現抽出の評価のために開かれたワークショップ）は、固有表現の分類の枠組みとして8種類を採用しています。この8種類は、「MUC」（米国の情報抽出の評価型会議）が定めた組織名・人名・地名・日付表現・時間表現・金額表現・割合表現の7種類に、固有物名を加えたものです。

たとえば「田中太郎氏は2026年7月にソニーグループへ100億円を出資した」という一文からは、次のように語句と種類が対応します。

抽出される語句	固有表現の種類
田中太郎	人名
2026年7月	日付表現
ソニーグループ	組織名
100億円	金額表現

語句を見つけ出すだけで終わらず、その語句がどの種類にあたるかまで判別するところが、固有表現抽出という技術の中身にあたります。

形態素解析（文章を単語ごとに分割する処理）だけでは、辞書に載っていない人名や会社名などの未知語（辞書に登録されておらず、解析ツールが正しく認識できない単語）を正しく認識できず、単語の区切りや品詞の判定を誤る原因になるという課題があります。固有表現抽出は、この課題に対応する技術として発展してきました。

現在は、文章を構成する各単語に一つずつタグ（「人名」「組織名」といった種類のラベル）を割り当てる系列ラベリング（単語を順番に見ながらタグを割り当てていく処理方法）という分類問題として扱われることが多くなっています。各単語に固有表現の開始・内側・対象外を示すBIOタグ（単語が固有表現の「始まり（B）」「途中（I）」「対象外（O）」のどれにあたるかを示す3種類の記号）を付与する方式が、代表的な手法として整理されています。

2. 試験対策ポイント

固有表現抽出は情報抽出の一分野に位置づけられる技術で、あらかじめ定められた種類へ固有表現を分類する処理という定義は、あわせて整理しておきたいところです。「IREX」が定めた8分類（組織名・人名・地名・日付表現・時間表現・金額表現・割合表現・固有物名）は、代表的な分類の枠組みとして紹介されます。数字や名称の丸暗記よりも、なぜこの8種類が選ばれているかという成り立ちを理解しておくと、応用問題にも対応しやすくなります。

固有表現抽出の手法は、文章中の各単語にタグを一つずつ割り当てる系列ラベリングという分類問題として定式化されることが多く、各単語にBIOタグを付与する方式が代表的な手法として整理されます。品詞タグ付けとの対象範囲の違いは取り違えやすい論点です。

固有表現抽出は、質問応答システムなど、より高度な自然言語処理タスクの前提処理としても利用される位置づけにあります。文章から人名や組織名を正確に切り出せるかどうかは、後続の処理の精度を左右する土台になります。

3. 関連概念との比較・相違点

品詞タグ付けとの最大の違いは、対象と目的にあります。両者を対象範囲・付与する情報・工程上の位置づけという3つの軸で並べると、違いがはっきりします。

観点	品詞タグ付け	固有表現抽出
対象範囲	文章中のすべての単語	あらかじめ定めた種類に該当する語句だけ
付与する情報	名詞・動詞・助詞などの品詞	人名・組織名・日付などの固有表現の種類
工程上の位置づけ	形態素解析に含まれる一処理	情報抽出の一分野で、形態素解析の後段

品詞タグ付けは形態素解析に含まれる一処理として全ての語に及びますが、固有表現抽出は特定の語句のみを対象にする選択的な処理という関係にあります。文章のすべてを網羅するか、特定の種類だけに絞り込むかという対象範囲の広さが、両者を分ける軸になっています。

形態素解析との関係は、処理の順序として整理できます。固有表現抽出は文章を単語（形態素）に分割した結果を土台として行われることが多く、形態素解析は固有表現抽出の前段に必要な処理という位置づけにあります。形態素解析だけでは未知語である固有名詞を正しく認識できない場合があり、固有表現抽出はその課題に対応する後段の処理として発展してきました。

品詞タグ付けと形態素解析がそれぞれどのような処理かという詳しい仕組みそのものよりも、固有表現抽出との対象範囲・処理順序の違いを軸に整理しておくことが、理解するうえでの中心的な論点です。

4. ビジネス・実務での活用シナリオ

契約書・法務の分野では、契約書の文面から契約当事者名・契約金額・契約日・有効期限などの固有表現を自動抽出します。「Excel」やデータベースなどの構造化データ（項目ごとに整理され、検索や集計をしやすくしたデータ）へ変換する取り組みが進んでいます。

従来は担当者が契約書を読み込みながら手作業で台帳へ転記していたため、契約件数が増えるほど確認漏れや転記ミスのリスクが高まっていました。固有表現抽出によって当事者名や金額、期限を機械的に拾い出せれば、契約書レビューや契約台帳の管理にかかる工数を削減できるうえ、更新期限の見落としを防ぐ効果も見込めます。

ニュース・メディアモニタリングの分野では、ニュース記事から言及されている企業名や人物名を自動抽出して集計し、特定企業に関する報道量や話題の傾向を継続的に把握する仕組みが使われています。人手で大量の記事を読んで企業名を拾い出すには限界がありますが、固有表現抽出を使えば日々配信される膨大な記事から関連する言及を漏れなく機械的に拾い上げられます。広報部門やIR部門にとっては、自社や競合に関する報道の変化を早期に察知し、対応の判断材料にできる点が実務上の意義になります。

医療の分野では、電子カルテやレセプト（診療報酬明細書）の記述から病名・薬剤名・症状名などの固有表現を抽出し、構造化データとして蓄積する取り組みが進んでいます。カルテは医師が自由な文章で記録するため、そのままでは症例の集計や分析に使いにくいという事情があります。固有表現抽出によって病名や薬剤名を機械的に切り出せれば、症例の統計分析や重複投薬のチェックに役立てられ、診療の質を高めるための基盤データとして活用できます。

5. 要点まとめ

• 固有表現抽出（NER）は、文章中から人名・地名・組織名・日付・金額などの固有表現を見つけ出し、その種類を分類する自然言語処理の技術で、情報抽出の一分野に位置づけられます。「IREX」は組織名・人名・地名・日付表現・時間表現・金額表現・割合表現・固有物名の8分類を定めています。
• 品詞タグ付けが文章中のすべての単語に品詞を付与する処理であるのに対し、固有表現抽出は特定の種類に該当する語句だけを取り出して分類する処理という対象範囲の違いがあります。
• 手法としては各単語にタグを一つずつ割り当てる系列ラベリングとして定式化され、BIOタグ（開始・内側・対象外）を用いる方式が代表的です。契約書や電子カルテなど、文章から構造化データを作る実務に広く活用されています。

6. 確認問題