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

90.40%

  • Python 3.x

    10675questions

    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

    237questions

    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。

指定した言葉を排除したい

解決済

回答 1

投稿

  • 評価
  • クリップ 2
  • VIEW 1,005

aoisj

score 19

やりたいこと

テキストファイルからトピックモデルを作成するプログラムを実装中なのですが、コーパスを生成するのに用いる辞書に指示語(あれ、ここ、そちら)や、それ自体に重要な意味を持たない動詞(いる、ある)を含んでしまっているので精度があまりよくありません。
そこで決め打ちで指定した単語を辞書に含ませないようにする方法を教えていただきたいです。

以下に実装中のコードを記します。

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

#トピックモデル(入力:指定したディレクトリ内の.txtファイル)

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'):
            #sels:形態素(原形)のみの行列
            sels.append(cols[2])

#辞書作成
dictionary = corpora.Dictionary([sels])

"""
no_below:出現回数no_below回以下の単語を排除
no_above:全体のno_above以上に出現した単語を排除(no_above = 0.3 ➝ 30%)
"""
#辞書加工
#dictionary.filter_extremes(no_below = 1,no_above = 0.3)


#[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)
  • 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

0

まず、絞り込みの箇所にて、現状ではparts[0] の値にて「動詞」および「名詞」の抽出をしておりますが、同時にparts[1]の値を使用して、「代名詞」「非自立名詞」「接尾動詞」「非自立動詞」あたりを含まないようにすることで問題がかなり低減されるのではないでしょうか。

次に 辞書に含ませたくない単語の処理ですが、まず
NG_WORDS = ['ほげ', 'HOGE']
のように 辞書に含ませたくない単語のリストを作成し、絞り込の処理の中にて

for chunk in chunks:
    # (中略)
    # target_word が NGワード 対象のときはスキップ
    if target_word not in NG_WORDS :
        continue


のように処理を行うとよいかと思います。

以上をまとめると以下のような感じになります。
(絞り込処理部のみの抜粋)

# 絞り結果を格納
sels = []

# 辞書に含ませたくない単語のリスト
NG_WORDS = ['[', ']', '(', ')', '-', '/', '.', ',', '=']

# 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'):
            # 「代名詞」、「非自立名詞」はスキップ
            if parts[0].startswith('名詞') and parts[1] in ['代名詞', '非自立']:
                continue
            # 「接尾動詞」、「非自立動詞」はスキップ
            if parts[0].startswith('動詞') and parts[1] in ['接尾', '非自立']:
                continue
            # NGワード対象をスキップ
            if cols[2] in NG_WORDS :
                continue

            #sels:形態素(原形)のみの行列
            sels.append(cols[2])

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。

  • 2017/11/09 13:50

    いつも回答していただいてありがとうございます。
    自分が用いていた処理を利用して絞り込みができたので、非常にありがたいです。
    実行時間も約半分にすることができました。
    今後も回答依頼をさせていただくことがあると思うので、よろしくお願いいたします。

    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 90.40%
  • 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

  • Python 3.x

    10675questions

    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

    237questions

    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。