Site admin: motohiro PukiWiki 1.5.1 © 2001-2016 PukiWiki Development Team. Powered by PHP 7.4.33
HTML convert time: 0.009 sec.
する
test <- docMatrix2( "data/morikita")
install.packages("slam")
library(slam)
test.sparse <- as.simple_triplet_matrix( t(test) )
install.packages("topicmodels")
library(topicmodels)
class(test.sparse) <- "DocumentTermMatrix" topic.mod <- LDA(test.sparse, 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．
「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．添付した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
．．．
stopwords については，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．
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．
res <- docDF("data/doc", pos = c("名詞","形容詞","動詞"), type = 1)
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$TERM, perl = T)]
でしょうか．
まず同義語のリストがあるとすれば，たとえば docDF() の 出力は以下のように整理できます．
res <- docDF("data/doc", pos = c("名詞","形容詞","動詞"), type = 1)
res
TERM POS1 POS2 doc1.txt doc2.txt doc3.txt
1 いる 動詞 非自立 0 0 1
2 学ぶ 動詞 自立 0 0 1
3 学生 名詞 一般 1 1 0
4 彼女 名詞 代名詞 0 1 1
5 数学 名詞 一般 0 1 1
6 真面目 名詞 形容動詞語幹 1 0 0
7 私 名詞 代名詞 1 0 0
8 科 名詞 接尾 0 1 0
9 良い 形容詞 自立 0 1 0
10 難しい 形容詞 自立 0 0 1
wordlist <- list(c("*", "動詞と形容詞の", "自立", "良い",
"難しい", "学ぶ" ),
c("**", "名詞", "代名詞", "彼女","私") )
# "良い", "難しい", "学ぶ" を ”*” "動詞と形容詞の", "自立"にまとめてしまう
# "彼女","私" を "**" 名詞", "代名詞", にまとめてしまう
res2 <- res
dummy <- res[1,]
dummy[,1:3] <- ""
dummy[,4:ncol(dummy)] <- 0
dummy
for(i in 1:length(wordlist)){
idx0 <- any( res2$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\")))") 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．