TF-IDFを使ってFAQに回答するコードの理解できない部分に関して

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 524

harunouta

score 115

 前提・実現したいこと

TF-IDFを使ってFAQに回答するという記事を読みながら実装を進めています。
TF-IDF値が高い順に出力を得ることを実現したいです。

 発生している問題・エラーメッセージ

以下のコードのコメントアウトされている部分のvectorizer.vocabulary_.items()が何を指しているのか理解できません。何を指しているのか教えていただきたいです。
検索でもこの部分を説明したものは出てきませんでした。

#for k,v in vectorizer.vocabulary_.items():
#    print(k, v)

 該当のソースコード

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np
import MeCab

import argparse

parser = argparse.ArgumentParser(description="convert csv")
parser.add_argument("input", type=str, help="faq tsv file")
parser.add_argument("--dictionary", "-d", type=str, help="mecab dictionary")
parser.add_argument("--stop_words", "-s", type=str, help="stop words list")
args = parser.parse_args()

mecab = MeCab.Tagger("-Owakati" + ("" if not args.dictionary else " -d " + args.dictionary))

questions = []
answers = []
for line in open(args.input, "r", encoding="utf-8"):
    cols = line.strip().split('\t')
    questions.append(mecab.parse(cols[0]).strip())
    answers.append(cols[1])

stop_words = []
if args.stop_words:
    for line in open(args.stop_words, "r", encoding="utf-8"):
        stop_words.append(line.strip())

vectorizer = TfidfVectorizer(token_pattern="(?u)\\b\\w+\\b", stop_words=stop_words)
vecs = vectorizer.fit_transform(questions)

#for k,v in vectorizer.vocabulary_.items():
#    print(k, v)

while True:
    line = input("> ")
    if not line:
        break

    index = np.argmax(cosine_similarity(vectorizer.transform([mecab.parse(line)]), vecs))
    print(questions[index])
    print()
    print(answers[index])
    print()

 試したこと

類似するコードが載っていた記事を使って、vectorizer.vocabulary_.items()の振る舞いを確認しようとしましたが、
sortを行うとあいうえお順に出力され、sortをしないとただ分かち書きされた単語が順番に出力されるだけだったので、TF-IDF値が高い順に並べることはできないのでしょうか。

import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer

np.set_printoptions(precision=2)

docs = np.array([
        'みぞれ とは 何ですか?',      # 文書1
        '台風 と ハリケーン の 違いは?',      # 文書2
        '異常気象 に ついて'
        ])

vectorizer = TfidfVectorizer(use_idf=True)
vecs = vectorizer.fit_transform(docs)

print (vecs.toarray())
for k,v in sorted(vectorizer.vocabulary_.items(), key=lambda x:x[1]):
    print (k)
[[ 0.    0.58  0.58  0.    0.58  0.    0.    0.  ]
 [ 0.    0.    0.    0.58  0.    0.58  0.    0.58]
 [ 0.71  0.    0.    0.    0.    0.    0.71  0.  ]]
ついて
とは
みぞれ
ハリケーン
何ですか
台風
異常気象
違いは

 補足情報(FW/ツールのバージョンなど)

Python 3.6.0 :: Anaconda 4.3.0

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

checkベストアンサー

+1

ドキュメントに説明があります。

vocabulary_ : dict

A mapping of terms to feature indices.

sklearn.feature_extraction.text.TfidfVectorizer — scikit-learn 0.19.2 documentation

あとは実際にprintしてみた方がわかりやすいかと。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2018/09/06 07:28

    ご回答いただきましてありがとうございます。
    実際にprintしてみたのですが、TF-IDF値が高い順には単語が出力されているわけではないことがわかりました。

    キャンセル

  • 2018/09/06 07:31

    vocabulary_はただの語彙表ですので、そのコードでは正しい動作になっているかと
    目的のものは、抽出されたTF-IDFのベクトルに対してargsort等を用いて取り出せると思います

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.21%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる