論文著者の日本人風の名前ランキング

romajiというRuby用のローマ字・カナの相互変換ライブラリを使って何かできないかと思ってやってみた。

学術文献の検索サイトには、収集した文献の著者一覧を公開しているところがある。
その一覧をもとに、日本人っぽく感じられる姓と名のランキングを作った。

使ったソースと結果

まとめ

ソース	分野	一覧取得日	著者名の総数	日本人っぽい名前の数	抽出比率
DBLP	計算機科学	2012/4/22	1106575	41552	3.8%
RePEc	経済学	2012/4/19	31967	530	1.7%

ランキング（Top50）

姓のランキング

順位	DBLP	抽出数	順位	RePEc	抽出数
1	スズキ	351	1	スズキ	9
2	タナカ	320	1	タナカ	9
3	タカハシ	314	3	タカハシ	8
4	ワタナベ	306	3	ナカジマ	8
5	サト	300	5	サト	7
6	ナカムラ	274	6	イト	6
7	コバヤシ	268	6	マツモト	6
8	ヤマモト	265	6	ワタナベ	6
9	ヤマダ	241	9	オノ	5
10	イト	236	9	ヤマダ	5
11	ヨシダ	221	11	アオキ	4
12	カト	218	11	イマイ	4
13	マツモト	195	11	ウエダ	4
14	キムラ	189	11	カト	4
15	ハヤシ	185	11	コバヤシ	4
16	ヤマグチ	169	11	タケウチ	4
17	イノウエ	164	11	タケダ	4
18	ササキ	158	11	ナカムラ	4
18	モリ	158	11	ホリ	4
20	シミズ	155	11	ヤマグチ	4
21	イケダ	148	21	アベ	3
22	アベ	143	21	イケダ	3
23	フジイ	140	21	イシダ	3
24	イシカワ	137	21	イノウエ	3
24	ハシモト	137	21	ウスイ	3
26	フジタ	136	21	カノ	3
27	ハセガワ	135	21	キムラ	3
27	ヤマシタ	135	21	シライ	3
29	オガワ	134	21	タカヤマ	3
30	ウエダ	133	21	フジイ	3
31	イシイ	132	21	フジワラ	3
32	オカダ	129	21	マツダ	3
33	サイトウ	128	21	ヤマモト	3
33	ムラカミ	128	34	アライ	2
35	サカイ	127	34	イザワ	2
36	マエダ	123	34	イワタ	2
37	タケウチ	122	34	ウラカミ	2
38	サカモト	121	34	オオタキ	2
39	ナカガワ	120	34	オオツ	2
39	ナカジマ	120	34	オオノ	2
41	ハラ	115	34	カスガ	2
41	ミヤザキ	115	34	カタヤマ	2
43	アオキ	112	34	カネコ	2
43	ヤマザキ	112	34	カワイ	2
45	オノ	110	34	カワカミ	2
45	カネコ	110	34	カワムラ	2
47	オカモト	108	34	キタムラ	2
48	ワダ	107	34	クボ	2
49	タケダ	106	34	クボタ	2
49	ナカノ	106	34	クロズミ	2
−	−	−	34	サイトウ	2
−	−	−	34	サカタ	2
−	−	−	34	ツチヤ	2
−	−	−	34	ナイトウ	2
−	−	−	34	ナカバヤシ	2
−	−	−	34	ニシヤマ	2
−	−	−	34	ハヤカワ	2
−	−	−	34	ハヤシ	2
−	−	−	34	ヒラタ	2
−	−	−	34	ヒラノ	2
−	−	−	34	フクダ	2
−	−	−	34	フジタ	2
−	−	−	34	マツシマ	2
−	−	−	34	マルヤマ	2
−	−	−	34	ミズノ	2
−	−	−	34	ミヤザキ	2
−	−	−	34	ミヤザワ	2
−	−	−	34	モリ	2
−	−	−	34	ヤマウチ	2
−	−	−	34	ヤマガタ	2
−	−	−	34	ヤマシタ	2
−	−	−	34	ヤマノ	2
−	−	−	34	ヨシダ	2

名のランキング

順位	DBLP	抽出数	順位	RePEc	抽出数
1	タカシ	593	1	タカシ	8
2	ヒロシ	561	1	ヒロシ	8
3	タケシ	419	3	タケシ	7
4	ヒロユキ	399	4	アツシ	6
5	サトシ	396	4	ジュン	6
6	アキラ	366	4	マコト	6
7	ケンジ	335	4	マサヒロ	6
8	マサヒロ	328	8	ケイスケ	5
9	アツシ	325	8	ケンジ	5
10	マコト	317	8	コイチ	5
11	ジュン	300	8	コウジ	5
12	コウジ	289	8	タカヒロ	5
13	ダイスケ	286	8	ダイスケ	5
14	ヒロアキ	264	8	ナオキ	5
15	ユキ	257	8	マサユキ	5
16	マサユキ	253	8	ヤスシ	5
17	タカヒロ	249	17	アキヒコ	4
18	タカユキ	248	17	アキラ	4
19	ナオキ	247	17	カズオ	4
20	ヒロキ	238	17	カズヒロ	4
21	コイチ	219	17	サトシ	4
22	カズヒロ	215	17	テツヤ	4
22	テツヤ	215	17	ハジメ	4
24	マサキ	213	17	ヒロユキ	4
25	トオル	212	17	ユキ	4
26	ヤスヒロ	206	26	アヤコ	3
27	ユタカ	196	26	エイジ	3
28	タクヤ	190	26	カズユキ	3
29	マサシ	189	26	カツユキ	3
29	ヨシヒロ	189	26	ケイコ	3
31	ヒトシ	183	26	ケン	3
32	アキヒロ	181	26	ケンイチ	3
33	シンジ	179	26	ケンスケ	3
33	タツヤ	179	26	コウゾウ	3
35	ケイスケ	176	26	シンゴ	3
35	ケンイチ	176	26	タイスケ	3
37	カズオ	172	26	タカオ	3
37	トシユキ	172	26	タツオ	3
37	マサト	172	26	テツジ	3
40	ユイチ	170	26	ヒデアキ	3
41	オサム	169	26	ヒロアキ	3
42	ケン	165	26	フミオ	3
43	ユウジ	164	26	マサキ	3
44	ツヨシ	163	26	マサル	3
44	トモヒロ	163	26	ミノル	3
46	ヒデキ	160	26	ユタカ	3
47	マサノリ	152	26	ヨイチ	3
48	トシオ	151	26	ヨスケ	3
49	カズヤ	149	26	リュウイチ	3
49	マサアキ	149	26	リョウ	3

補足：

ローマ字表記は一意ではなく揺れがあるので、他に情報がなければ正確なカナ変換は不可能だ。例えば、姓のランキングにある「サト」や「イト」は、元々のローマ字表記だとSatoやItoになっている。実際にはほとんどは、またはもしかしたら全てが、サトウさんイトウさんだと思うけど、それでもサト（例：佐登）さんやイト（例：伊都）さんである可能性は排除できない。

表記の揺れのために、カナ変換した結果が分散してランキングが下がったと思われる名前もある。例えば、Sato, Satoh, Satouの場合、カナ変換の結果は「サト」と「サトウ」に分かれるが、これが全てサトウさんだと仮定すると、DBLPのランキングでは数が352となってスズキさんを抜いて一位になる。

どうやってランキングを作ったか

まず準備として、形態素解析用辞書であるNAIST-jdicのnaist-jdic.csvから、人名のエントリのカナ表記の列だけを抜き出して、姓と名の辞書を作っておく。
あとはランキングを出力する以下のようなプログラムを実行する。

著者一覧から著者名をひとつ取って、姓と名を分離する
姓と名の並びは前もって一覧を眺めて決めておいて、実行時にスイッチさせた
DBLPは名・姓、RePEcは姓・名の順
姓と名について、ありそうな表記の揺れを出す
処理2の結果をromajiを使ってカナ変換して、姓と名がそれぞれ辞書にあるかチェックする
処理3の結果、両方が辞書にあれば、それぞれランキングに追加して処理1へ、なければ処理2へ
全ての著者名について処理が終わったら、ランキングをソートして出力する

処理2でやっているのは、例えば o は oo とか ou に置き換えるなどというルールの組み合わせを、実行する度に順次適用すること。ルールセットは適当に考えて以下にした。