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

88.10%

自然言語処理の前処理に関して

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 433

score 29

当方自然言語処理初心者なため、的外れなこと・足りない情報等ありましたらおっしゃってください。


日本語でBERTを使ってみようと考えており、その際にNICTと呼ばれるBERT日本語モデルを使用しようと考えています。

そこで上記サイトの「使用方法」の欄に書いてある 入力テキストは、事前に半角を全角に正規化し、MeCab-Juman辞書 [11, 12] で形態素に分割しておくという欄があり、そこの実装の仕方に関して質問があります。

サイト内に、「具体的な使用例は実験手順をご参照ください」と書いてあったので、こちらの実験手順を参考にして実装してみたところ、以下のようになりました。

doc = "鶏肉は包丁を入れて均等に開き、両面にフォークで穴を開け塩コショウする。"

dicdir = subprocess.run(["mecab-config", "--dicdir"], check=True, stdout=subprocess.PIPE, text=True).stdout.rstrip()
jumandic_dir = ([d for d in [f"{dicdir}/juman-utf8", f"{dicdir}/jumandic"] if os.path.exists(d)] + [None])[0]
assert " " not in dicdir and jumandic_dir, "Please install mecab-jumandic"

tagger_jumandic = MeCab.Tagger(f"-Owakati -d{jumandic_dir}")
assert tagger_jumandic.dictionary_info().charset == "utf8"

tagger_jumandic.parse(mojimoji.han_to_zen(doc).replace("\u3000", " ")).rstrip("\n")

print(doc)
#-> 鶏肉は包丁を入れて均等に開き、両面にフォークで穴を開け塩コショウする。

ただ、これを実行してもフォークフォークコショウコショウのようにならず、また形態素に分割されていないように思えるのですが、どこが間違っているのか見当がつかず、ご存知の方がいらっしゃいましたら教えていただきたいです。

  • 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
    • 過去に投稿した質問と同じ内容の質問
    • 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

「事前に半角を全角に正規化」してから「MeCab-Juman辞書 [11, 12] で形態素に分割」してください。

辞書に半角文字の形態素は登録されていないので、半角文字の部分はそのまま出力されるだけです。

投稿

編集

  • 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。

  • 2020/08/26 19:03 編集

    ご回答ありがとうございます。ご指摘の通りまず正規化をしたところちゃんと全角になりました。ありがとうございます!
    ```
    doc = "鶏肉は包丁を入れて均等に開き、両面にフォークで穴を開け塩コショウする。"
    doc = mojimoji.han_to_zen(doc).replace("\u3000", " ")

    dicdir = subprocess.run(["mecab-config", "--dicdir"], check=True, stdout=subprocess.PIPE, text=True).stdout.rstrip()
    jumandic_dir = ([d for d in [f"{dicdir}/juman-utf8", f"{dicdir}/jumandic"] if os.path.exists(d)] + [None])[0]
    assert " " not in dicdir and jumandic_dir, "Please install mecab-jumandic"

    tagger_jumandic = MeCab.Tagger(f"-Owakati -d{jumandic_dir}")
    assert tagger_jumandic.dictionary_info().charset == "utf8"

    tagger_jumandic.parse(doc).rstrip("\n")
    ```
    1点質問があるのですが、docをterminalに出力すると「鶏肉は包丁を入れて均等に開き、両面にフォークで穴を開け塩コショウする。」のように特に分割されない形で出力されるのですが、これはterminalだからなのでしょうか?
    「正しく形態素に分割できているかどうか」というのをどう捉えれば良いのかわからず🙇‍♀️

    キャンセル

  • 2020/08/26 19:19

    docは元文なのでは。

    キャンセル

  • 2020/08/26 20:00

    なるほど!おっしゃる通りprint(doc)していたからでした、、ありがとうございました!

    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 88.10%
  • 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

関連した質問

同じタグがついた質問を見る