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!

新規登録して質問してみよう
ただいま回答率
87.20%
Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

Mecab

Mecabは、オープンソースの形態素解析エンジンです。 言語、辞書、コーパスに依存しない汎用的な設計を基本方針としています。 Mecabの由来は、開発者の好物である和布蕪(めかぶ)から名づけられました。

受付中

gensimモジュールのdictionary関数について

aoisj
aoisj

総合スコア0

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

Mecab

Mecabは、オープンソースの形態素解析エンジンです。 言語、辞書、コーパスに依存しない汎用的な設計を基本方針としています。 Mecabの由来は、開発者の好物である和布蕪(めかぶ)から名づけられました。

0回答

0評価

0クリップ

1424閲覧

投稿2017/11/02 06:59

###やりたいこと
指定したディレクトリ内にある全てのテキストファイル(.txtファイル)をLDAモデルに投入し、分類するためのプログラムを実装したいと思っています。

実装中のコードを以下に記します。

python3

#!/usr/bin/env python3 # -*- coding: utf-8 -*- import time import os import glob import MeCab from gensim import corpora, models #ディレクトリ指定 input_dir = input('select directory:') t0 = time.time() txt_list = glob.glob(input_dir + os.sep + '*.txt') texts = '' for file in txt_list: with open(file, 'r', encoding='utf-8') as f: texts += f.read() f.close() #文字列を改行位置で区切って分割する(形態素解析) m = MeCab.Tagger ("-Ochasen") chunks = m.parse(texts).splitlines() #絞り結果を格納 sels = [] #絞り込み for chunk in chunks: #chunk:形態素解析結果(1行の文字列) #タブ(\t)で区切り、文字列リストを作成 cols = chunk.split('\t') if len(cols) >= 4: #parts[0]:品詞の種類 parts = cols[3].split('-') #指定した品詞で始まっている場合 → true if parts[0].startswith('名詞') or parts[0].startswith('動詞'): #要素(形態素)を追加 #sels:要素(形態素)のみの行列 sels.append(chunk[0]) #辞書作成 dictionary = corpora.Dictionary([sels]) """ #単語の出現回数が1以下を除く dictionary.filter_extremes(no_below = 1) """ #[辞書の単語数]次元のベクトルに変換(コーパス作成) corpus = [dictionary.doc2bow(sels) for sel in sels] t1 = time.time() #LDAモデルに投入 lda = models.LdaModel(corpus = corpus, id2word = dictionary, #トピック数 num_topics = 20) t2 = time.time() print(lda) #各トピックにおける各トークンの出現確率を係数で表示 for topic in lda.show_topics(-1): print(topic) """ #文書の推定トピック番号 , 推定の確信度を表示 for topics_per_document in lda[corpus]: print(topics_per_document) """ corpus_time = t1 - t0 print('コーパス生成時間:%f秒'%corpus_time) lda_time = t2 -t1 print('LDAモデル生成時間:%f秒'%lda_time) total_time = t2 - t0 print('合計時間:%f秒'%total_time)

現在、
形態素解析 ⇒ 品詞の絞り込み(名詞、動詞のみ) ⇒
辞書作成 ⇒ コーパス生成 ⇒ LDAモデルに投入
といった流れでLDAモデルを作成するプログラムを実装しているのですが、
精度を上げるために「ひらがな1文字」の形態素を排除したいと思っています。
どの段階(辞書作成前?コーパス生成前?)で排除するのが良いのか、
それぞれの場合でどのような方法で排除するのか教えていただきたいです。
どちらか片方だけでも非常にありがたいです。
また、精度を上げるためにデータの加工について他に工夫する方法があるのであれば、
それも教えていただきたいです。

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。

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。

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

評価を下げると、トップページの「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。

まだ回答がついていません

会員登録して回答してみよう

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
87.20%

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る

質問する

関連した質問

同じタグがついた質問を見る

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

Mecab

Mecabは、オープンソースの形態素解析エンジンです。 言語、辞書、コーパスに依存しない汎用的な設計を基本方針としています。 Mecabの由来は、開発者の好物である和布蕪(めかぶ)から名づけられました。