- 追加された行はこの色です。
- 削除された行はこの色です。
#contents
* RMeCab の出力に topicmodels の LDA を適用 [#u97160a7]
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.
* 品詞情報細分類 [#f1f19aee]
「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.
* 言葉の「正規化」 [#taa22ba7]
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)
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$TERM, perl = T)]
でしょうか.
- 2) 同義語を統一する
まず同義語のリストがあるとすれば,たとえば docDF() の
出力は以下のように整理できます.
res <- docDF("data/doc", pos = c("名詞","形容詞","動詞"), type = 1)
res
TERM POS1 POS2 doc1.txt doc2.txt doc3.txt
1 いる 動詞 非自立 0 0 1
2 学ぶ 動詞 自立 0 0 1
3 学生 名詞 一般 1 1 0
4 彼女 名詞 代名詞 0 1 1
5 数学 名詞 一般 0 1 1
6 真面目 名詞 形容動詞語幹 1 0 0
7 私 名詞 代名詞 1 0 0
8 科 名詞 接尾 0 1 0
9 良い 形容詞 自立 0 1 0
10 難しい 形容詞 自立 0 0 1
wordlist <- list(c("*", "動詞と形容詞の", "自立", "良い",
"難しい", "学ぶ" ),
c("**", "名詞", "代名詞", "彼女","私") )
# "良い", "難しい", "学ぶ" を ”*” "動詞と形容詞の", "自立"にまとめてしまう
# "彼女","私" を "**" 名詞", "代名詞", にまとめてしまう
res2 <- res
dummy <- res[1,]
dummy[,1:3] <- ""
dummy[,4:ncol(dummy)] <- 0
dummy
for(i in 1:length(wordlist)){
idx0 <- any( res2$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.