def char_filters(self):
"""char_filters for janome tokenizer
Args:
None
Returns:
list: char_filers
"""
char_filters = [
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter("[,\.\(\)\{\}\[\]\:\-\"\'\@\!\?]", " "),
RegexReplaceCharFilter("\d", " ")
]
return char_filters
def janome_document_summarize(document):
# 形態素解析(単語単位に分割する)
analyzer = Analyzer(char_filters=[
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter(r'[(\)「」、。]', ' ')
],
tokenizer=JanomeTokenizer(),
token_filters=[
POSKeepFilter(['名詞', '形容詞', '副詞', '動詞']),
ExtractAttributeFilter('base_form')
])
text = re.findall("[^。]+。?", document.replace('\n', ''))
corpus = [' '.join(analyzer.analyze(sentence)) + u'。' for sentence in text]
parser = PlaintextParser.from_string(''.join(corpus),
Tokenizer('japanese'))
summarizer = LexRankSummarizer()
summarizer.stop_words = [' ', '。', '\n']
N = int(len(corpus) / 10 * 3)
if N <= 0: N = 3
summary = summarizer(document=parser.document, sentences_count=N)
rst = ''
print('\n要約:')
for sentence in summary:
print(text[corpus.index(sentence.__str__())])
rst += text[corpus.index(sentence.__str__())]
return summary, rst
def fn_start_document_summarize(text):
# 形態素解析(単語単位に分割する)
tokenizer = JanomeTokenizer('japanese')
char_filters=[UnicodeNormalizeCharFilter(), RegexReplaceCharFilter(r'[(\)「」、。]', ' ')]
token_filters=[POSKeepFilter(['名詞', '形容詞', '副詞', '動詞']), ExtractAttributeFilter('base_form')]
analyzer = Analyzer(
char_filters=char_filters,
tokenizer=tokenizer,
token_filters=token_filters
)
corpus = [' '.join(analyzer.analyze(sentence)) + u'。' for sentence in text]
#print(corpus, len(corpus))
# 文書要約処理実行
parser = PlaintextParser.from_string(''.join(corpus), Tokenizer('japanese'))
# LexRankで要約を原文書の3割程度抽出
summarizer = LexRankSummarizer()
summarizer.stop_words = [' ']
# 文書の重要なポイントは2割から3割といわれている?ので、それを参考にsentences_countを設定する。
N = 3
summary = summarizer(document=parser.document, sentences_count = N if len(corpus) < 100 else int(len(corpus)/100))
#summary = summarizer(document=parser.document, sentences_count=1)
str = ''
for sentence in summary:
str += (text[corpus.index(sentence.__str__())])
return str
def tense_analyze(self, text, sentences_count):
# 1行1文となっているため、改行コードで分離
# sentences = [t for t in text.split('\n')]
sentences = [t for t in text.split('。')]
# 形態素解析器を作る
analyzer = Analyzer(
[
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter(r'[(\)「」、。]', ' ')
], # ()「」、。は全>てスペースに置き換える
JanomeTokenizer(),
[
POSKeepFilter(['名詞', '形容詞', '副詞', '動詞']),
ExtractAttributeFilter('base_form')
] # 名詞>・形容詞・副詞・動詞の原型のみ
)
# 抽出された単語をスペースで連結
# 末尾の'。'は、この後使うtinysegmenterで文として分離させるため。
corpus = [' '.join(analyzer.analyze(s)) + '。' for s in sentences]
# 連結したcorpusを再度tinysegmenterでトークナイズさせる
parser = PlaintextParser.from_string(''.join(corpus),
Tokenizer('japanese'))
# LexRankで要約を2文抽出
summarizer = LexRankSummarizer()
summarizer.stop_words = [' '] # スペースも1単語として認識されるため、ストップワードにすることで除外>する
summary = summarizer(document=parser.document,
sentences_count=sentences_count)
return sentences, corpus, summary
def summarize(text):
sentences = [t for t in text.split('\n')]
analyzer = Analyzer(
[
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter(r'[(\)「」、。]', ' ')
], # ()「」、。は全てスペースに置き換える
JanomeTokenizer(),
[
POSKeepFilter(['名詞', '形容詞', '副詞', '動詞']),
ExtractAttributeFilter('base_form')
] # 名詞・形容詞・副詞・動詞の原型のみ
)
corpus = [' '.join(analyzer.analyze(s)) + '。' for s in sentences]
parser = PlaintextParser.from_string(''.join(corpus),
Tokenizer('japanese'))
summarizer = LexRankSummarizer()
summarizer.stop_words = [' ']
summary = summarizer(document=parser.document, sentences_count=3)
x = ""
for sentence in summary:
x += sentences[corpus.index(sentence.__str__())]
return x
def make_corpus(docs, debug=False):
"""
複数の文書からコーパスを作成する
@docs 文書のリスト
@return トークナイズされた文書のリスト
"""
docs = list(
map(
lambda d: list(
filter(lambda x: x.strip() != "", re.split("\n|。", d.lower()))
), docs))
docs = [
list(map(lambda x: mojimoji.zen_to_han(x), lines)) for lines in docs
]
analyzer = Analyzer([
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter(r'[(\)､｡｢｣]', ' ')
], JanomeTokenizer(), [
POSKeepFilter(['名詞', '形容詞', '副詞', '動詞']),
ExtractAttributeFilter('base_form')
])
corpus = [
list(
itertools.chain.from_iterable(
[list(analyzer.analyze(l)) for l in lines])) for lines in docs
]
if debug:
print("\n".join(corpus))
return corpus
def preprocess(doc, debug=False):
"""
ドキュメントを引数にとってそれを前処理した上でトークナイズされた文のリストに分割する
@param doc 対象のドキュメント
@return 前処理されたドキュメントに含まれる文のリスト
"""
doc = doc.lower()
lines = re.split("\n|。", doc)
lines = list(filter(lambda x: x != "", map(lambda x: x.strip(), lines)))
sentences = copy.deepcopy(lines)
lines = list(map(lambda x: mojimoji.zen_to_han(x), lines))
analyzer = Analyzer([
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter(r'[(\)､｡｢｣]', ' ')
], JanomeTokenizer(), [
POSKeepFilter(['名詞', '形容詞', '副詞', '動詞']),
ExtractAttributeFilter('base_form')
])
corpus = [' '.join(analyzer.analyze(l)) + '。' for l in lines]
if debug:
print("\n".join(corpus))
return sentences, corpus
def test_regex_replace_charfilter(self):
cf = RegexReplaceCharFilter('蛇の目', 'janome')
self.assertEqual('janomeは形態素解析器です。', cf.apply('蛇の目は形態素解析器です。'))
cf = RegexReplaceCharFilter('\s+', '')
self.assertEqual('abcd', cf.apply(' a b c d '))
cf = RegexReplaceCharFilter('', '')
self.assertEqual('abc あいうえお', 'abc あいうえお')
def setUp(self):
#aliases = get_word_aliases()
char_filters = [
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter('&[^&]+;', '')
]
tokenizer = Tokenizer(mmap=True)
token_filters = [
FootballCompoundNounFilter(),
FootballNounFilter(),
POSKeepFilter('名詞')
]
self.analyzer = Analyzer(char_filters, tokenizer, token_filters)
def set_analyzer(self):
# 形態素解析器を作る
self.analyzer = Analyzer(
[
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter(r'[(\)「」、。]', ' ')
], # ()「」、。は全てスペースに置き換える
JanomeTokenizer(),
[
POSKeepFilter(['名詞', '形容詞', '副詞', '動詞']),
ExtractAttributeFilter('base_form')
] # 名詞・形容詞・副詞・動詞の原型のみ
)
def pros(self, stopwords=False, emojidict={}):
self.stopwordslist = set('する')
if stopwords:
self.stopwordslist.add(stopwords)
self.char_filters = [
EmojiCharFilter(emojidict),
RegexReplaceCharFilter(
r"https?://[\w!\?/\+\-_~=;\.,\*&@#\$%\(\)'\[\]]+|<[:@#]|>|\^[!-/:-@¥[-`\[\]{-~]*$|[!#$%&'()\*\+\-\.,\/:;<=>?@\[\\\]^_`{|}~]",
'')
]
self.wordclass2 = ['自立', 'サ変接続', '一般', '固有名詞']
self.token_filters = [POSKeepFilter(['名詞', '形容詞']), LowerCaseFilter()]
return self.getwords()
def analyse_japanese(self, list_speech):
char_filters = [UnicodeNormalizeCharFilter()]
for reg in self.char_reg_filter:
char_filters.append(RegexReplaceCharFilter(*reg))
a2 = Analyzer(char_filters, self.t, self.token_filters)
list_token = []
for item in list_speech:
list_token.append([str(token.base_form) for token in a2.analyze(item)])
list_str = []
for j in list_token:
str2 = ""
for i in j:
str2 += i + ' '
list_str.append(str2)
return list_str
def get_words(titles, stop_words):
'''titlesを形態素解析し、下処理を適用した単語リストを作成する'''
char_filters = [
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter(r'text|[ -/:-@!0-9\[-~]', '')
]
token_filters = [
POSKeepFilter(KEEP_FILTER),
POSStopFilter(STOP_FILTER),
LowerCaseFilter()
]
tokenizer = Tokenizer(mmap=True)
analyzer = Analyzer(tokenizer=tokenizer,
char_filters=char_filters,
token_filters=token_filters)
title_list = []
for title in titles:
word_list_per_title = []
for word in analyzer.analyze(title):
# アルファベット、平仮名、カタカナ1文字の単語を除外
if (len(word.surface) == 1) \
and (re.compile('[~a-zあ-んア-ン]').fullmatch(word.surface)):
continue
# ストップワードを除外
if word.base_form in stop_words:
continue
hinshi_split = word.part_of_speech.split(',')
hinshi_taple = (hinshi_split[0], hinshi_split[1])
if hinshi_taple in WEIGHTS_HINSHI_DICT.keys():
word_list_per_title += [word.base_form
] * WEIGHTS_HINSHI_DICT[hinshi_taple]
else:
word_list_per_title.append(word.base_form)
title_list.append(word_list_per_title)
# 全title中で1回しか出現しない単語を削除
dic = Dictionary(title_list)
valid_word_list = [word_id for word_id, num in dic.dfs.items() if num > 1]
title_list_2 = []
for title in title_list:
word_list_per_title_2 = [
word for word in title if dic.token2id[word] in valid_word_list
]
# 要素が0のtitleを除外
if len(word_list_per_title_2) > 0:
title_list_2.append(word_list_per_title_2)
return title_list_2, dic
def get_keyword(description: str,
reject_symbol=[("[,\.\(\)\{\}\[\]\<\>\○]", " ")]):
#analyzerの前処理フィルタ生成
char_filters = [UnicodeNormalizeCharFilter()]
#reject_symbolは正規化し名詞判定されないようにする
for i in reject_symbol:
char_filters.append(RegexReplaceCharFilter(*i))
#tokenizerの初期化、tokenizerインスタンスは使い回す、ループの外で呼び出し初期化
tokenizer = Tokenizer(mmap=True)
#品詞取得フィルタ
token_filters = [POSKeepFilter(['名詞'])]
#各種フィルタ設定でanalyze
analyzer = Analyzer(char_filters, tokenizer, token_filters)
#リストで返却
return [token.surface for token in analyzer.analyze(description)]
def get_summary(self):
# 1行1文となっているため、改行コードで分離
sentences = [t for t in self._text.split('\n')]
for i in range(1):
print(sentences[i])
# 形態素解析器を作る
analyzer = Analyzer(
[
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter(r'[(\)「」、。]', ' ')
], # ()「」、。は全てスペースに置き換える
JanomeTokenizer(),
[
POSKeepFilter(['名詞', '形容詞', '副詞', '動詞']),
ExtractAttributeFilter('base_form')
] # 名詞・形容詞・副詞・動詞の原型のみ
)
# 抽出された単語をスペースで連結
# 末尾の'。'は、この後使うtinysegmenterで文として分離させるため。
corpus = [' '.join(analyzer.analyze(s)) + '。' for s in sentences]
"""
for i in range(2):
print(corpus[i])
"""
# 転職 Advent Calendar 2016 - Qiita 14 日 目 なる 少し ポエム 含む。
# 今年 11 月 SIer Web サービス 会社 転職 する。
"""
from sumy.parsers.plaintext import PlaintextParser
from sumy.nlp.tokenizers import Tokenizer
from sumy.summarizers.lex_rank import LexRankSummarizer
"""
# 連結したcorpusを再度tinysegmenterでトークナイズさせる
parser = PlaintextParser.from_string(''.join(corpus),
Tokenizer('japanese'))
# LexRankで要約を2文抽出
summarizer = LexRankSummarizer()
summarizer.stop_words = [' '] # スペースも1単語として認識されるため、ストップワードにすることで除外する
self.summary = summarizer(document=parser.document, sentences_count=2)
# 元の文を表示
for sentence in self.summary:
print(sentences[corpus.index(sentence.__str__())])
def test_analyze(self):
char_filters = [
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter('蛇の目', 'janome')
]
tokenizer = Tokenizer()
token_filters = [
CompoundNounFilter(),
POSStopFilter(['記号', '助詞']),
LowerCaseFilter(),
ExtractAttributeFilter('surface')
]
a = Analyzer(char_filters=char_filters,
tokenizer=tokenizer,
token_filters=token_filters)
tokens = a.analyze('蛇の目はPure Ｐｙｔｈｏｎな形態素解析器です。')
self.assertEqual(['janome', 'pure', 'python', 'な', '形態素解析器', 'です'],
list(tokens))
def janome_analyzer_tf():
"""
ref:
https://www.tensorflow.org/api_docs/python/tf/strings
https://mocobeta.github.io/janome/api/janome.html#module-janome.tokenfilter
"""
# standarize texts
char_filters = [RegexReplaceCharFilter(u'蛇の目', u'janome')]
tokenizer = Tokenizer()
token_filters = [CompoundNounFilter(), POSStopFilter(['記号', '助詞'])]
analyze = Analyzer(char_filters, tokenizer, token_filters).analyze
def _tokenizer(text, label):
text = text.numpy().decode()
tokenized_text = tf.strings.join(
[wakati.surface for wakati in analyze(text)], separator=' ')
tokenized_text = tf.strings.lower(tokenized_text)
return tokenized_text, label
return _tokenizer
def lexrank_sumy(text, lang_number):
'''
LexRankを実行する
text:要約したい文章
'''
text = text.strip()
sentences = re.findall("[^。]+。?", text)
analyzer = Analyzer(
[
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter(r'[(\)「」、。]', ' ')
], # ()「」、。は全てスペースに置き換える
JanomeTokenizer(),
[
POSKeepFilter(['名詞', '形容詞', '副詞', '動詞']),
ExtractAttributeFilter('base_form')
] # 名詞・形容詞・副詞・動詞の原型のみ
)
print(lang_number)
if lang_number == '1':
corpus = [' '.join(analyzer.analyze(s)) + '。' for s in sentences]
parser = PlaintextParser.from_string(''.join(corpus),
Tokenizer('japanese'))
print("japanese")
elif lang_number == '2':
corpus = [' '.join(analyzer.analyze(s)) + '. ' for s in sentences]
parser = PlaintextParser.from_string(''.join(corpus),
Tokenizer('english'))
summarizer = LexRankSummarizer()
summarizer.stop_words = [' ']
summary = summarizer(document=parser.document, sentences_count=3)
summary_text = ''
for sentence in summary:
summary_text = summary_text + sentences[corpus.index(
sentence.__str__())] + '\n'
return summary_text
def janome_analyzer():
"""
ref:
https://mocobeta.github.io/janome/api/janome.html#module-janome.tokenfilter
"""
# standarize texts
char_filters = [RegexReplaceCharFilter(u'蛇の目', u'janome')]
tokenizer = Tokenizer()
token_filters = [
CompoundNounFilter(),
POSStopFilter(['記号', '助詞']),
LowerCaseFilter()
]
analyze = Analyzer(char_filters, tokenizer, token_filters).analyze
def _tokenizer(text, label):
tokenized_text = " ".join(
[wakati.surface for wakati in analyze(text.numpy().decode())])
return tokenized_text, label
return _tokenizer
def test_analyzer_custom(self):
char_filters = [
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter('\s+', '')
]
tokenizer = Tokenizer()
token_filters = [
CompoundNounFilter(),
POSStopFilter(['記号', '助詞']),
LowerCaseFilter()
]
a = Analyzer(char_filters=char_filters,
tokenizer=tokenizer,
token_filters=token_filters)
self.assertTrue(len(a.char_filters) == 2)
self.assertIsInstance(a.char_filters[0], UnicodeNormalizeCharFilter)
self.assertIsInstance(a.char_filters[1], RegexReplaceCharFilter)
self.assertTrue(len(a.token_filters) == 3)
self.assertIsInstance(a.token_filters[0], CompoundNounFilter)
self.assertIsInstance(a.token_filters[1], POSStopFilter)
self.assertIsInstance(a.token_filters[2], LowerCaseFilter)
def main():
text = '自然言語処理の基礎でも読もうかな。'
char_filters = [
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter('自然言語処理', 'NLP')
]
tokenizer = Tokenizer()
token_filters = [
CompoundNounFilter(),
POSStopFilter(['記号', '助詞']),
LowerCaseFilter()
]
analyzer = Analyzer(char_filters=char_filters,
tokenizer=tokenizer,
token_filters=token_filters)
print(text)
for token in analyzer.analyze(text):
print(token)
print('DONE')
def preprocess_target(doc, debug=False):
doc = list(filter(lambda x: x.strip() != "", re.split("\n|。",
doc.lower())))
sentences = copy.deepcopy(doc)
doc = [mojimoji.zen_to_han(line) for line in doc]
analyzer = Analyzer([
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter(r'[(\)､｡｢｣]', ' ')
], JanomeTokenizer(), [
POSKeepFilter(['名詞', '形容詞', '副詞', '動詞']),
ExtractAttributeFilter('base_form')
])
corpus = [list(analyzer.analyze(line)) for line in doc]
if debug:
print(corpus)
return sentences, corpus
from janome.tokenfilter import POSKeepFilter, ExtractAttributeFilter
text = """多くの会社（店）で営業マンに日報を書かせていることと思います。ですが、何のために日報を書かせているのか、もう一度確認してください。営業マンは社外にいる時間が多く、その行動を把握することはできません。そこで営業マンの行動を把握するために、１日の行動記録を日報にして提出させる場合が多いようですが、日報というのは行動記録を書くことなのでしょうか。そして、営業マンに行動記録をかかせることに、どれだけの意味があるのでしょう。例えば、毎日10件の顧客を訪問している営業マンと、毎日５件訪問している営業マンでは、どちらが評価できるでしょうか。きっと、多くのマネジャーが「もちろん10件の顧客を訪問している営業マンに決まっている」と答えるでしょう。しかし、訪問件数を多くすることだけを考え、準備もそこそこに、休む間もなく得意先を回っているかもしれません。
営業マンにとって問題意識をもつことは基本です。"""
# 1行1文となっているため、改行コードで分離
sentences = [t for t in text.split('\n')]
for i in range(2):
print(sentences[i])
# 転職 Advent Calendar 2016 - Qiitaの14日目となります。 少しポエムも含みます。
# 今年11月にSIerからWebサービスの会社へ転職しました。
# 形態素解析器を作る
analyzer = Analyzer(
[UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter(r'[(\)「」、。]', ' ')], # ()「」、。は全てスペースに置き換える
JanomeTokenizer(),
[
POSKeepFilter(['名詞', '形容詞', '副詞', '動詞']),
ExtractAttributeFilter('base_form')
] # 名詞・形容詞・副詞・動詞の原型のみ
)
# 抽出された単語をスペースで連結
# 末尾の'。'は、この後使うtinysegmenterで文として分離させるため。
corpus = [' '.join(analyzer.analyze(s)) + '。' for s in sentences]
for i in range(2):
print(corpus[i])
# 転職 Advent Calendar 2016 - Qiita 14 日 目 なる 少し ポエム 含む。
# 今年 11 月 SIer Web サービス 会社 転職 する
from janome.tokenizer import Tokenizer
from janome.analyzer import Analyzer
from janome.charfilter import UnicodeNormalizeCharFilter, RegexReplaceCharFilter
from janome.tokenfilter import LowerCaseFilter, CompoundNounFilter, POSKeepFilter, TokenCountFilter
import logging
logging.basicConfig(level='INFO')
print('Analyzer example:')
text = '蛇の目はPure Ｐｙｔｈｏｎな形態素解析器です。'
char_filters = [
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter('蛇の目', 'janome')
]
tokenizer = Tokenizer()
token_filters = [CompoundNounFilter(), LowerCaseFilter()]
a = Analyzer(char_filters=char_filters,
tokenizer=tokenizer,
token_filters=token_filters)
for token in a.analyze(text):
print(token)
print('')
print('Analyzer example: Count nouns with POSKeepFilter and TokenCountFilter')
text = 'すもももももももものうち'
token_filters = [POSKeepFilter(['名詞']), TokenCountFilter()]
a = Analyzer(token_filters=token_filters)
for k, v in a.analyze(text):
print('%s: %d' % (k, v))
result = connection.execute("TRUNCATE tokens")
result = connection.execute(
"UPDATE article_contents SET token_extracted = FALSE")
connection.close()
elif args.recount:
connection = engine.connect()
result = connection.execute("UPDATE tokens SET occurrence_count = 0")
result = connection.execute(
"UPDATE article_contents SET token_extracted = FALSE")
connection.close()
print('Start tokenize')
char_filters = [
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter('&[^&]+;', '')
]
tokenizer = Tokenizer(mmap=True)
token_filters = [
FootballCompoundNounFilter(),
FootballNounFilter(),
POSKeepFilter('名詞')
]
analyzer = Analyzer(char_filters, tokenizer, token_filters)
session_maker = sessionmaker(bind=db_connect())
session = session_maker()
article_contents = session.query(ArticleContents).filter(
Articles.hash == ArticleContents.article_hash,
Articles.feed_id == Feeds.id, ArticleContents.token_extracted == False,
#改行で読み込み IDと行
for i, line in enumerate(tsv.split("\n")):
if line == "":
break
#コラムタブで分ける
columns = line.split("\t")
index = columns[0].split("-")[0]
if not index in texts:
texts[index] = ""
continue
texts[index] = texts[index] + columns[1]
#形態素解析
char_filters = [
UnicodeNormalizeCharFilter(),
RegexReplaceCharFilter('\d+', '0')
]
tokenizer = Tokenizer(mmap=True)
token_filters = [
POSKeepFilter(["名詞", "形容詞", "副詞", "動詞"]),
LowerCaseFilter(),
ExtractAttributeFilter("base_form")
]
analyzer = Analyzer(char_filters, tokenizer, token_filters)
#単語抽出とストップワード
stopwords = []
url = "http://svn.sourceforge.jp/svnroot/slothlib/CSharp/Version1/SlothLib/NLP/Filter/StopWord/word/Japanese.txt"
with urllib.request.urlopen(url) as response:
text = """転職 Advent Calendar 2016 - Qiitaの14日目となります。 少しポエムも含みます。
今年11月にSIerからWebサービスの会社へ転職しました。
早くから退職することを報告していたこともあって、幸いにも有給消化として１ヶ月のお休みをいただくことができました（これでも10日ほど余らせてしまいました）。
# ・・・ (省略) ・・・
だからこそ、有給消化期間はなんとしてでももぎ取るようにしましょう。"""
# 1行1文となっているため、改行コードで分離
sentences = [t for t in text.split('\n')]
for i in range(2):
print(sentences[i])
# 転職 Advent Calendar 2016 - Qiitaの14日目となります。 少しポエムも含みます。
# 今年11月にSIerからWebサービスの会社へ転職しました。
# 形態素解析器を作る
analyzer = Analyzer(
[UnicodeNormalizeCharFilter(), RegexReplaceCharFilter(
r'[(\)「」、。]', ' ')], # ()「」、。は全てスペースに置き換える
JanomeTokenizer(),
[POSKeepFilter(['名詞', '形容詞', '副詞', '動詞']), ExtractAttributeFilter(
'base_form')] # 名詞・形容詞・副詞・動詞の原型のみ
)
# 抽出された単語をスペースで連結
# 末尾の'。'は、この後使うtinysegmenterで文として分離させるため。
corpus = [' '.join(analyzer.analyze(s)) + '。' for s in sentences]
for i in range(2):
print(corpus[i])
# 転職 Advent Calendar 2016 - Qiita 14 日 目 なる 少し ポエム 含む。
# 今年 11 月 SIer Web サービス 会社 転職 する。
# 連結したcorpusを再度tinysegmenterでトークナイズさせる