NTCIR-1 & 2

テストコレクション１(NTCIR-1)には、JEコレクション、Jコレクション、Eコレクションの３つの文書データがあります。それぞれのコレクションが「学会発表データベース」から選択された文書を含んでいます。第２回NTCIRワークショップでは、Jコレクション (mlir/ntc1-j1) とEコレクション (clir/ntc1-e1) を使用します。

テストコレクション２(NTCIR-2)には、JコレクションとEコレクションの２つの文書データがあります。それぞれのコレクションが「学会発表データベース」と「科学研究費補助金研究成果概要データベース」から選択された文書を含んでいます。

語分割テキスト：日本語文書レコードについては、あらかじめ、語に分割したテキストも用意します。テキストの分割には、日本の実用の情報検索サービスで広く使用されている、商用の日本語形態素解析エンジンを用いています。テキストは、語と語構成要素（語を構成する要素）に分割されています。テキストの分割には、「ハードセグメンテーション」（強い区切り）と「ソフトセグメンテーション」（弱い区切り）の2種類があり、ハードセグメンテーションの区切りは「　」（全角空白1個）、ソフトセグメンテーションの区切りは「＿」（全角アンダーバー1個）です。ハードセグメンテーションは、語と語を区切るものであり、ソフトセグメンテーションは、語構成要素と語構成要素を区切るものです。語構成要素だけでも索引語として使用することが可能であり、「＿」で区切られた複数の語構成要素を組合せた複合語を索引語として使用することも可能です。また、英語などの半角文字を分割するために用いられている、半角スペースはそのままの形で残されています。(語分割の手順)