seimei-split

English

日本人のフルネームを姓（sei）と名（mei）に分離するライブラリです。

Playground で動作を試せます。

特徴

• スペース区切り・スペースなしの両方に対応
• 漢字・ひらがな・カタカナに対応
• UniDic辞書同梱
• TypeScript ファーストクラスサポート

インストール

npm install seimei-split

使い方

// 辞書同梱版（推奨）
import { split } from "seimei-split";

split("田中 太郎");  // => { sei: "田中", mei: "太郎" }
split("田中太郎");   // => { sei: "田中", mei: "太郎" }

// 辞書なし版（独自辞書を使う場合）
import { split, setLexicon } from "seimei-split/core";

仕組み

スペース区切りの入力

入力にスペース（半角・全角）が含まれる場合、スペース位置で直接分割します。辞書照合は行いません。

スペースなしの入力

スペースなしの名前（例: 田中太郎）に対しては、辞書ベースのスコアリングアルゴリズムを使用します。

1. 候補列挙

全ての分割位置を列挙します。田中太郎（4文字）の場合:

| 分割位置 | 姓 | 名 | |---|---|---| | 1 | 田 | 中太郎 | | 2 | 田中 | 太郎 | | 3 | 田中太 | 郎 |

最大分割位置は maxSeiLen（同梱辞書では11文字）で制限されます。

2. 辞書照合

各候補の姓・名部分を辞書で照合します。3段階のマッチレベルがあります:

| マッチ種別 | スコア | 説明 | |---|---|---| | surface | 4.0 | 辞書に完全一致 | | folded | 2.5 | 異体字変換後に一致（例: 齋藤 → 斎藤） | | reading | 1.0 | かな入力が既知の読みに一致（オプションの読みデータが必要） | | none | 0 | 一致なし |

3. スコアリング

各候補のスコアを算出します:

score = matchScore(姓) + matchScore(名) + lengthScore(姓) + lengthScore(名) + pairBonus

• matchScore: 辞書マッチスコア（上表参照）
• lengthScore: 文字数に基づく小さなボーナス/ペナルティ。2文字が最高（+0.5）、5文字以上はペナルティ（-0.2〜-0.4）
• pairBonus: 姓名両方が辞書に一致すると +0.8
• 制約: 1文字姓は辞書ヒット必須。ヒットしない場合は候補から除外

4. 信頼度閾値

最良候補が以下の条件を満たす場合に採用:

• score >= 6.0（信頼度閾値）
• bestScore - secondBestScore >= 1.0（十分な差）

閾値を満たさない場合は未分割で返します。allowLowConfidence: true を指定するとベストエフォートの結果を返します。

異体字フォールディング

旧字体・異体字は自動的に現代の標準字体にマッピングされます:

齋→斎, 齊→斉, 邊→辺, 濱→浜, 﨑→崎, 髙→高, 德→徳, 廣→広, 嶋→島, 國→国, 澤→沢, 櫻→桜, 龍→竜 など

辞書データ

同梱辞書は UniDic（現代書き言葉UniDic）から人名エントリ（名詞,固有名詞,人名,{姓|名}）を抽出したものです。

| | 件数 | |---|---| | 姓 | 18,364 | | 名 | 37,084 | | 異体字マッピング | 1,002 | | 読みエントリ（オプション） | 25,742 |

バンドルサイズ

| エントリポイント | 生サイズ | gzip | |---|---|---| | seimei-split（辞書同梱） | 458 KB | 213 KB | | seimei-split/core（辞書なし） | 3.5 KB | 1.6 KB |

かな入力用の読みデータはデフォルトで tree shaking により除外されます。setReading() を呼ぶと有効になります。

開発状況

| データセット | 精度 | |---|---| | MVP（208件） | 正解94.7%, 誤分割0%, unsplit 5.3% |

ライセンス

コード: MIT | 辞書データ: BSD 3-Clause

詳細は LICENSES/README.md を参照。