例えばMeCabで「ナカグ・ロー」という未知語を形態素解析すると、1つの単語として解析される。（IPA辞書使用）
$ echo ナカグ・ロー | mecab ナカグ・ロー 名詞,固有名詞,組織,*,*,*,*
「ナカグ」と「ロー」を繋ぐのが中黒ではなくイコールだった場合は、下記のように分割される。
$ echo ナカグ＝ロー | mecab ナカグ 名詞,一般,*,*,*,*,* ＝ 記号,一般,*,*,*,*,＝,＝,＝ ロー 名詞,固有名詞,人名,姓,*,*,ロー,ロー,ロー EOS
中黒を使った場合でも、未知語じゃない場合はこんな風になる。
$ echo ジョン・ドウ | mecab ジョン 名詞,固有名詞,人名,名,*,*,ジョン,ジョン,ジョン ・ 記号,一般,*,*,*,*,・,・,・ ドウ 名詞,固有名詞,組織,*,*,*,*
上記を見て分かる通り、中黒はIPA辞書的には「記号,一般」で登録されている。
なぜ「カタカナ - 中黒 - カタカナ」が一語になり、「カタカナ - イコール - カタカナ」が分割されるのか。
理由は、中黒がUnicode的にはカタカナのブロックに登録されているから。具体的には0x30FB。長音（0x30FC）「ー」の1つ手前に登録されている。
IPA辞書のchar.defを見てみると、以下のような定義がある。
0x30A1..0x30FF KATAKANA
0x30A1〜0x30FFはカタカナとして扱われるらしい。0x30FBはこの中に含まれている。これを下記のように変更すれば、中黒は記号扱いになる。
0x30A1..0x30FA KATAKANA 0x30FB SYMBOL 0x30FC..0x30FF KATAKANA
試しに上記のようにchar.defを書き換えて、再度辞書を入れ直してみたところ、下記のように結果が分割されるようになった。
$ echo ナカグ・ロー | mecab ナカグ 名詞,一般,*,*,*,*,* ・ 記号,一般,*,*,*,*,・,・,・ ロー 名詞,固有名詞,人名,姓,*,*,ロー,ロー,ロー EOS
個人的にはナカグ・ローは記号として扱って分割して欲しい気がする。ただ、未知語をまとめる際に、ひとつなぎにまとめてしまいたいこともある。一般的にはどうなんだろ。
2012/06/05追記
他の形態素解析器とか辞書を使ってみたところ、下記のうような結果になった。
|
| ||||||||||||||||||||||||||||||||||||||||||||
|
| ||||||||||||||||||||||||||||||||||||||||||||
|
| ||||||||||||||||||||||||||||||||||||||||||||
|
| ||||||||||||||||||||||||||||||||||||||||||||
|
| ||||||||||||||||||||||||||||||||||||||||||||
Yahoo形態素解析、lucene-gosen、Kuromojiあたりは記号として扱っているらしい。
じゃ、自分も大手を振って記号として扱ってしまえばいいか。
ちなみにJUMAN辞書のchar.defには「0x30FB NUMERIC」と指定してあった。SYMBOLでなくNUMERICなんだ。
lucene-gosenでは下記のように明示的に0x0FBを除外しているコードを見かけた。
c >= 0x30A0 && c <= 0x30FF && c != 0x30FB
Kuromojiもやはり個別に0x03FBをKATAKANAから除外している箇所があった。
if (codePoint == 0x30FB) {
characterClassName = "SYMBOL";
}