2018年度中は、利用する言語リソースの構築や、データ準備、および関連分野の調査を行った。
言語リソースの一つは同源語リストである。現時点では、ポーランド語、英語、ドイツ語、スペイン語、フランス語、イタリア語、チェコ語、ウクライナ語、ロシア語について収集した。既存のリストもあるが、単語の定義に問題があり、あらためて作成した。
また、Wikipediaのデータを用いた単語分散表現の獲得を行った。Wikipediaのdumpデータから、テキスト部分を抽出し、トークナイゼーションを施し、分散表現獲得ツールであるword2vecを用いて分散表現を計算した。まずはフランス語とポーランド語についてこれを行った。
平行して、MUSEと呼ばれる多言語単語分散表現を用いて、同源語間の近さを算出した。この結果について、現在分析中である。ただし、MUSEについては、いくつかの言語についてトークナイゼーションに問題がある可能性があり、問題がある場合は、上で述べたWikipediaから作成した分散表現を使用する予定である。