RMeCab_Tips - RとLinuxと...

RとLinuxと...


RMeCab_Tips

_ RMeCab の出力に topicmodels の LDA を適用

library (RMeCab)

test <- docMatrix2( "morikita") # フォルダを指定

install.packages("slam")

library(slam)
test.sparse <-  as.simple_triplet_matrix( t(test) ) #スパースな行列に変換

library (tm) # この2行で重みを設定
test.sparse2 <-  as.DocumentTermMatrix ( test.sparse, weighting = weightTf ) #

 ## sudo apt-get install libgsl0-dev # Ubuntuの場合,これが必要
install.packages("topicmodels")

library(topicmodels)
# # class(test.sparsea) <- "DocumentTermMatrix" # 不要
topic.mod <- LDA(test.sparse2, control = list(alpha = 0.1), k = 5)

LDA関数はinputのクラスが,sparse な行列であり, かつ tm パッケージ独自の DocumentTermMatrix? クラスで あることを前提にしてます. そこで RMeCab? の出力を as.simple_triplet_matrix 関数で sparse な triplet_matrix に変え,そのクラス属性を

"DocumentTermMatrix"

に変更すると, LDA 関数への input になると思われます.

_ 語彙の統合

「Rによるテキストマイニング入門」には 記載されていませんが,docDF()という関数があります. filemanual100831.pdf に少し記載があります.

> res <- docDF("doc", type=1, N=1)
file_name =  doc/doc1.txt opened
file_name =  doc/doc2.txt opened
file_name =  doc/doc3.txt opened
number of extracted terms = 18
now making a data frame. wait a while!

> res
    TERM   POS1      POS2     doc1.txt doc2.txt doc3.txt
1      。      記号         句点           1        1        1
2    いる     動詞         非自立        0        0        1
3      だ      助動詞            *          1        0        0
4      で      助詞         接続助詞      0        0        1
5    です     助動詞            *           1        1        0
...

デフォルトでは全品詞を抽出しますが,品詞情報から選り分けて "*","格助詞", "係助詞", "句点","非自立") を省く場合は %in% 演算子 を使って以下のようにします.

> res2 <- res[ !(res$POS2 %in% c("*","格助詞", "係助詞", "句 点","非自立")), ]
> res2
    TERM   POS1      POS2    doc1.txt doc2.txt doc3.txt
4      で     助詞     接続助詞        0        0        1
10   学ぶ   動詞         自立           0        0        1
11   学生   名詞         一般          1        1        0
12   彼女   名詞       代名詞          0        1        1
...

あるいは名詞は抽出するが,ただし細分類が"*","数詞", "接尾", "代名詞"を 除く場合は

> res4 <- res[ res$POS1 %in% c("名詞","形容詞") & !(res$POS2 %in%  
c("*","数詞", "接尾", "代名詞")), ]
> res4
    TERM   POS1         POS2      doc1.txt doc2.txt doc3.txt
11   学生   名詞         一般              1        1        0
13   数学   名詞         一般               0        1        1
14 真面目   名詞     形容動詞語幹    1        0        0
16     科     名詞         接尾             0        1        0
17   良い   形容詞       自立            0        1        0
18 難しい  形容詞       自立            0        0        1 

ただし,これはデータフレームですので,操作する 場合には行列に変える必要があるかもしれません

> res3 <- as.matrix(res2[, -(1:3)])
> rownames(res3) <- res2[,1]
> res3
      doc1.txt doc2.txt doc3.txt
で            0        0        1
学ぶ          0        0        1
学生          1        1        0
彼女          0        1        1
数学          0        1        1
...

_ 日本語の stopwords

MeCab?の品詞情報が以下 にあります. MeCab?の品詞情報は IPA 素性辞書に そっています

http://chasen.aist-nara.ac.jp/snapshot/ipadic/ipadic/doc/ipadic-ja.pdf

IPA辞書については以下に解説があります.

http://parame.mwj.jp/blog/0209

特に以下のページの下にある ChaSen? 品詞体系 (IPA品詞体系)

http://www.unixuser.org/~euske/doc/postag/index.html

に,MeCab? の標準辞書は準拠しています. ここを参考に docDF() の出力から,POS1 列と POS2 列の内容を %in% 演算子で選り分けて,独自にstopwordを 定義されるがのベストではないかと思います.

私自身は独自にstopword を用意していません.日本語テキスト マイニングに関わる仲間たちも,テキストごと,あるいジャンル ごとに stopwordsを定義しているのが現状のようです.

IPA品詞体系 から判断するに,たとえば ,docDF() 出力の POS1 が名詞 や動詞,形容詞でも,POS2 が 「接尾」,「非自立」などのタームは, 内容語というよりは機能語に近いので,削除対象になると思います.

_ 言葉の「正規化」

表記の統一については,有料ソフトでは,ある程度 自動的にこれを行なってくれる場合があるようですが (ただし完全ではありません),いずれにせよ 最後は分析者自身による確認が必要です.

これは残念ながら手作業しかありません.あとは この作業をできるだけ効率的に行なうだけです.

手作業で行なう場合,以下の二つが考えらえるでしょうか.

  • 1) ひらがな,あるいはカタカナで始まる単語は,漢字に 統一できる可能性がある(いぬ,イヌ -> 犬) そこで,データから,ひらがな,あるいはカタカナで始まる単語 を探してチェックする.
> res <- docDF("data/doc", pos = c("名詞","形容詞","動詞"), type = 1)
# 以下とりあえず力技でカタカナとひらがなを用意してしまいます
> kana <- c("\\<あ|\\<ア|\\<か|\\<カ|\\<さ|\\<サ|\\<た|\\<タ|
\\<な|\\<ナ|\\<は|\\<ハ|\\<ま|\\<マ|\\<や|\\<ヤ|\\<ら|\\<ラ|
\\<わ|\\<ワ|\\<ん|\\<ン|\\<が|\\<ガ|\\<ざ|\\<ザ|\\<だ|\\<ダ|
\\<ば|\\<バ|\\<ぱ|\\<パ|\\<ゃ|\\<い|\\<イ|\\<き|\\<キ|\\<し|
\\<シ|\\<ち|\\<チ|\\<に|\\<ニ|\\<ひ|\\<ヒ|\\<み|\\<ミ|\\<り|
\\<リ|\\<ゐ|\\<ヰ|\\<ぎ|\\<ギ|\\<じ|\\<ジ|\\<ぢ|\\<ヂ|\\<び|
\\<ビ|\\<ぴ|\\<ピ|\\<ゅ|\\<ュ|\\<う|\\<ウ|\\<く|\\<ク|\\<す|
\\<ス|\\<つ|\\<ツ|\\<ぬ|\\<ヌ|\\<ふ|\\<フ|\\<む|\\<ム|\\<ゆ|
\\<ユ|\\<る|\\<ル|\\<ぐ|\\<グ|\\<ず|\\<ズ|\\<づ|\\<ヅ|\\<ぶ|
\\<ブ|\\<ぷ|\\<プ|\\<ょ|\\<ョ|\\<え|\\<エ|\\<け|\\<ケ|\\<せ|
\\<セ|\\<て|\\<テ|\\<ね|\\<ネ|\\<へ|\\<ヘ|\\<め|\\<メ|\\<れ|
\\<レ|\\<ゑ|\\<ヱ|\\<げ|\\<ゲ|\\<ぜ|\\<ゼ|\\<で|\\<デ|\\<べ|
\\<ベ|\\<ぺ|\\<ペ|\\<っ|\\<ッ|\\<お|\\<オ|\\<こ|\\<コ|\\<そ|
\\<ソ|\\<と|\\<ト|\\<の|\\<ノ|\\<ほ|\\<ホ|\\<も|\\<モ|\\<よ|
\\<ヨ|\\<ろ|\\<ロ|\\<を|\\<ヲ|\\<ご|\\<ゴ|\\<ぞ|\\<ゾ|\\<ど|
\\<ド|\\<ぼ|\\<ボ|\\<ぽ|\\<ポ")

> res$TERM[grep(kana, res$TERM)]

この出力が,それほど多くなければ,手作業で表記のずれを 統一していけるのではないでしょうか.

アルファベットや数字を含む単語なら

> res$TERM[grep("[[:alnum:]]", res$TERM, perl = T)]

でしょうか.

  • 2) 同義語を統一する

まず同義語のリストがあるとすれば,たとえば docDF() の 出力は以下のように整理できます.

> res <- docDF("data/doc", pos = c("名詞","形容詞","動詞"), type = 1)
res
    TERM   POS1         POS2 doc1.txt doc2.txt doc3.txt
1    いる   動詞       非自立        0        0        1
2    学ぶ   動詞         自立        0        0        1
3    学生   名詞         一般        1        1        0
4    彼女   名詞       代名詞        0        1        1
5    数学   名詞         一般        0        1        1
6  真面目   名詞 形容動詞語幹        1        0        0
7      私   名詞       代名詞        1        0        0
8      科   名詞         接尾        0        1        0
9    良い 形容詞         自立        0        1        0
10 難しい 形容詞         自立        0        0        1
> wordlist <- list(c("*", "動詞と形容詞の", "自立", "良い", 
 "難しい", "学ぶ" ),
c("**", "名詞", "代名詞", "彼女","私") )

# "良い", "難しい", "学ぶ" を ”*” "動詞と形容詞の", "自立"にまとめてしまう

# "彼女","私" を "**" 名詞", "代名詞", にまとめてしまう

> res2 <- res
> dummy <- res[1,]
> dummy[,1:3] <- ""
> dummy[,4:ncol(dummy)] <- 0

> for(i in 1:length(wordlist)){
  idx0 <- any( res2$TERM %in% wordlist[[i]][1])
  if(!idx0){
    dummy[, 1:3] <- wordlist[[i]][1:3]
    res2 <- rbind(res2, dummy)
  }
  idx <- which(res2$TERM %in% wordlist[[i]][-(1:3)]  )
  if(length (idx) > 0){
    res2[res2$TERM == wordlist[[i]][1]  ,4:ncol(dummy)] 
      <- colSums(res2[idx, 4:ncol(dummy)])
    res2 <- res2[-idx,]
  }
 }

> res2
    TERM           POS1         POS2 doc1.txt doc2.txt doc3.txt
1    いる           動詞       非自立        0        0         1
3    学生           名詞         一般        1        1        0
5    数学           名詞         一般        0        1        1
6  真面目           名詞 形容動詞語幹        1        0        0
8      科           名詞         接尾        0        1        0
11      * 動詞と形容詞の         自立        0        1        2
12     **           名詞       代名詞        1        1        1

問題は同義語リストをどうやって作るかですが,次のような データベースがあります.

http://nlpwww.nict.go.jp/wn-ja/

SQLite3 データベースが使えることが前提となりますが 以下のようにすると,同義語のリストを作成できます.

## install.packages("DBI")
## install.packages("RSQLite")
 > library(RSQLite)
 > drv <- dbDriver("SQLite")
 > con <- dbConnect(drv, dbname="wnjpn.db")
 > test.table <- dbGetQuery(con, ".tables")
> test.table1 <- dbGetQuery(con,  "select DISTINCT lemma from  word
where wordid in (select wordid from sense where synset in
 (  select synset from sense where wordid in (select wordid
  from word where lemma=\"犬\")))")

> test.table2 <- dbGetQuery(con,  "select DISTINCT lemma from word
where wordid in (select wordid from sense where synset in
(  select synset from sense where wordid in (select wordid
  from word where lemma=\"日本\")))")
 

# 以上,面倒でしょうから,日本語wordnetから抽出するためのパッケージを用意しています.

> wordlist <- list( test.table1$lemma , test.table2$lemma)

> wordlist
[[1]]
   [1] "canis_familiaris" "dog"              "domestic_dog"     "spy" 
 [5] "undercover_agent" "いぬ"             "まわし者"         "イヌ"
[9] "スパイ"           "ドッグ"           "回し者"           "回者"
[13] "密偵"             "工作員"           "廻し者"           "廻者"
[17] "探"               "探り"             "洋犬"             "犬"
[21] "秘密捜査員"       "諜報員"           "諜者"             "間者"
[25] "間諜"             "隠密"             "飼い犬"           "飼犬"

[[2]]
[1] "japan"  "nihon"  "nippon" "日本"

ただ完全ではありません.上の出力にあるように,”日本”を 検索しても,にほん、にっぽん、ニッポン、ニッポンは出て きませんので,手作業で加えるしかありません.

とりあえず,ひらがな,あるいはカタカナ,アルファベットで表記 された単語を調べ,統一することから始めてはどうでしょうか.

 
Link: RMeCab(108d)
Last-modified: 2013-06-13 (木) 08:41:57 (1621d)