質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.33%

Webサイトの複数ある記事の類似する部分を抽出したいが、何から手をつければよいかわからない

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 114

SuuShii_Go

score 5

前提・実現したいこと

指定したWebサイトから複数の記事の本文を自動的に取得し、文章の類似度を計算、類似している点(できれば文で)を出力する。
つまりWebサイトで多くの人が言っていることを抽出したいな。ということです。

発生している問題

上記のようなソフトを作成したいのですが、何から手をつければ良いのかわかりません。
必要になりそうだと思ったものが合っているのか、どのような順番で勉強したらいいのかわからないのです。

なるべくアプリケーションを実装しながら学習することが好きなので、オススメの勉強法があれば教えていただきたいです。

よろしくお願いいたします。

必要になりそうだと思ったもの

記事をサイトから取得する為:Webスクレイピング技術,PHP
文章類似度計算:文章のベクトル化、形態要素解析など自然言語処理

補足情報(FW/ツールのバージョンなど)

Python,Cの基本的な文法を学んだ程度のプログラミング初心者です。
Python3.7.4
Mac OS

  • 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

+3

まずは本文のスクレイピングをしないといけないのですが、サイトごとに構造が違う訳ですからこれは一般論としては難しい部類の処理になると思います。「コンテンツだけを抜き出す」手法は探せばいろいろ提案されていると思いますから、よさそうなものを見つけて使ってください(ライブラリまであるかは微妙。自分で実装しないといけないかもしれません)。

スクレイピングのコードはPHPでも書けるとは思いますが、PHPの知識がなければPythonでも書けるし、手間とかやりやすさは大差ないでしょう。


文ごとにベクトル化して似ている文ごとにまとめる、のはそう難しくはないと思いますが、ベクトルの距離が近かったときに人の目で見て似ていると言えるかどうかはまた別。意味のある結果が出るのかもまた別(ナイーブにやると定型文的なのばっかり引っかかるだろうけど、それでいいの? とか)。

こちらはもう少し「やりたいこと」を明確にした方が良いかと。

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。

  • 2019/08/13 15:28

    回答ありがとうございました!

    やはり、実装するためには文章を"理解"することが必要になってきますね…難しいです

    簡易的なものについてですが、
    クエリは決まってないのでクラスタリングした後の「テキストマイニング的に分析する」この部分の詳細を教えていただきたいです

    キャンセル

  • 2019/08/13 15:38

    たくさんのクラスタに分けて(文単位だと数百はないと意味的なまとまりは出てこない気がします)、クラスタごとに含まれている文を目視で見ながら、「このクラスタの文はこういう意味」というラベルを貼っていきます。けっこう疲れる作業です。あるいは、クラスタ中心に近い個体を代表個体にしてもいいですが、やはりチェックは必要でしょう。
    根気がいるし、報われる保証もまったくない作業です。そして、何を得たいのかが予め明確になっていない場合は、テキストマイニングは報われないことの方が多いです。
    (クエリが決まっていればやりようはあるけど、漠然と知見を得ようと思っても漠然とした結果しか得られない)

    キャンセル

  • 2019/08/13 15:41 編集

    少し調べてみたのですが、Doc2Vecなどで文章の分散表現を用いたものがそれに当てはまるのでしょうか?
    追記
    コメントの間隔がずれてしまいましたすみません気にしないでください

    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 90.33%
  • 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

同じタグがついた質問を見る

  • トップ
  • PHPに関する質問
  • Webサイトの複数ある記事の類似する部分を抽出したいが、何から手をつければよいかわからない