docker-termextract

専門用語（キーワード）自動抽出用Perlモジュール"TermExtract"を簡単に使うためのDockerイメージを作成するDockerfileです。

• 専門用語（キーワード）自動抽出用Perlモジュール"TermExtract"
  http://gensen.dl.itc.u-tokyo.ac.jp/termextract.html

• "TermExtract"のCOPYRIGHT
  東京大学・中川裕志教授、横浜国立大学・森辰則助教授が 作成した「専門用語自動抽出システム」のExtract.pm を参考に、中川教授の 教示を受け、東京大学経済学部・前田朗が全面的に組みなおしたもの。(敬省略)

このDockerfileでは、以下の環境のコンテナが構築されます。

項目	バージョン	備考
CentOS	7	ja_JP.UTF-8
perl	5.16.3	yum base
MeCab	0.996	--enable-utf8-only
MeCab IPAdic	2.7.0-20070801	--with-charset=utf8
MeCab IPAdic model	2.7.0-20070801
MeCab perl	0.996
TermExtract	4_10

イメージ構築

% git clone [email protected]:naoa/docker-termextract.git
% cd docker-termextract
% docker-compose build
% docker-compose up -d

使い方

• コンテナにターミナル接続する場合

% docker-compose exec termextract bash
bash-4.1#termextract_mecab.pl
印刷用紙を複合機で印刷する。
EOS
複合機                                                                8.21
印刷用紙                                                             3.00

入力を終了するにはEOSを入力します。

• 形態素解析済みテキストファイルから専門用語を抽出する場合

% cat { 形態素解析済みテキストファイル}.txt || termextract_mecab.pl --is_mecab

• 入力形式
  UTF8の文字コードのテキストのみ対応しています。

引数	説明	デフォルト
--input または 引数なし	標準入力または解析対象ファイル名(コンテナ内の)	標準入力
--output	1:専門用語+重要度、2:専門用語のみ、3:カンマ区切り、4:IPAdic辞書形式(コスト推定)、5:IPAdic辞書形式(文字列長)	1
--limit	出力件数	-1(すべて)
--threshold	閾値	-1(すべて)
--is_mecab	入力を形態素解析済みの形式とする
--no_dic_filter	MeCabの辞書に登録済みの専門用語を出力する
--no_term_extract	形態素解析、専門用語抽出を行わずコスト推定のみ行う
--stat_db	過去のドキュメントの累積統計を使う場合のデータベースのファイル名(/var/lib/termextract/配下)	"stat_db"
--comb_db	過去のドキュメントの累積統計を使う場合のデータベースのファイル名(/var/lib/termextract/配下)	"comb_db"
--no_stat	重要度計算で学習機能を使わない
--no_storage	学習機能用DBにデータを蓄積しない
--average_rate	重要度計算で、「ドキュメント中の用語の頻度」と「連接語の重要度」のどちらに比重をおくか。値が大きいほど「ドキュメント中の用語の頻度」の比重が高まる	1
--pre_filter	形態素解析の前にプレーンテキストから除去する正規表現パターンがリストされたファイル名(/var/lib/termextract/配下)	"pre_filter.txt"
--post_filter	複合語抽出の後に出力しない正規表現パターンがリストされたファイル名(/var/lib/termextract/配下)	"post_filter.txt"
--use_total	重要度計算で連接語の延べ数をとる	ON
--use_uniq	重要度計算で連接語の異なり数をとる
--use_Perplexity	重要度計算で連接語のパープレキシティをとる
--no_LR	重要度計算で連接語の隣接情報を使わない
--use_TF	重要度計算で連接情報に掛け合わせる用語出現頻度情報 TF
--use_frq	重要度計算で、連接情報に掛け合わせる用語出現頻度情報 Frequencyによる用語頻度	ON
--no_frq	重要度計算で、連接情報に掛け合わせる用語出現頻度情報 頻度情報を使わない
--use_SDBM	学習機能用DBに使用するDBMをSDBM_Fileに指定する
--lock_dir	データベースの排他ロックのための一時ディレクトリを指定	ロックしない

• 出力結果
  --outputに指定したモードに沿った解析結果のテキストがUTF8の文字コードで標準出力に出力されます。

4を指定するとMeCabで自動コスト推定したIPAdic形式の文字列が出力されます。

% echo "印刷用紙を複合機で印刷する。" | \
  docker run -v /var/lib/termextract:/var/lib/termextract \
  -a stdin -a stdout -a stderr -i naoa/termextract termextract_mecab.pl --output 4
複合機,1285,1285,7336,名詞,一般,*,*,*,*,複合機,*,*,ByTermExtractEst
印刷用紙,1285,1285,7336,名詞,一般,*,*,*,*,印刷用紙,*,*,ByTermExtractEst

5を指定すると文字列長に応じてコストが手動で設定されたIPAdic形式の文字列が出力されます。

% echo "印刷用紙を複合機で印刷する。" | \
  docker run -v /var/lib/termextract:/var/lib/termextract \
  -a stdin -a stdout -a stderr -i naoa/termextract termextract_mecab.pl --output 5 
複合機,0,0,-14500,名詞,一般,*,*,*,*,複合機,*,*,ByTermExtractLen
印刷用紙,0,0,-16000,名詞,一般,*,*,*,*,印刷用紙,*,*,ByTermExtractLen

--no_term_extractを指定すると形態素解析、専門用語抽出をせずにMeCabで自動コスト推定したIPAdic形式の文字列が出力されます。

% echo "印刷用紙" | docker run -v /var/lib/termextract:/var/lib/termextract \
  -a stdin -a stdout -a stderr -i naoa/termextract termextract_mecab.pl --no_term_extract
印刷用紙,1285,1285,7336,名詞,一般,*,*,*,*,印刷用紙,*,*,ByMeCabEst

• 参考：MeCabのIPAdicでの解析結果

% echo "印刷用紙を複合機で印刷する。" | \
  docker run -v /var/lib/termextract:/var/lib/termextract \
  -a stdin -a stdout -a stderr -i naoa/termextract mecab
印刷    名詞,サ変接続,*,*,*,*,印刷,インサツ,インサツ
用紙    名詞,一般,*,*,*,*,用紙,ヨウシ,ヨーシ
を      助詞,格助詞,一般,*,*,*,を,ヲ,ヲ
複合    名詞,サ変接続,*,*,*,*,複合,フクゴウ,フクゴー
機      名詞,接尾,一般,*,*,*,機,キ,キ
で      助詞,格助詞,一般,*,*,*,で,デ,デ
印刷    名詞,サ変接続,*,*,*,*,印刷,インサツ,インサツ
する    動詞,自立,*,*,サ変・スル,基本形,する,スル,スル
。      記号,句点,*,*,*,*,。,。,。
EOS

• システム辞書への追加例

% docker run -v /var/lib/termextract:/var/lib/termextract -i -t naoa/termextract /bin/bash
% echo "印刷用紙を複合機で印刷する。" | termextract_mecab.pl --output 4 > /mecab-ipadic-2.7.0-20070801/user.csv
% cd /mecab-ipadic-2.7.0-20070801
% nkf -e --overwrite user.csv
% make clean
% ./configure --with-charset=utf8; make; make install
% echo "印刷用紙を複合機で印刷する。" | mecab
印刷用紙        名詞,一般,*,*,*,*,印刷用紙,*,*,ByTermExtractEst
を      助詞,格助詞,一般,*,*,*,を,ヲ,ヲ
複合    名詞,サ変接続,*,*,*,*,複合,フクゴウ,フクゴー
機      名詞,接尾,一般,*,*,*,機,キ,キ
で      助詞,格助詞,一般,*,*,*,で,デ,デ
印刷    名詞,サ変接続,*,*,*,*,印刷,インサツ,インサツ
する    動詞,自立,*,*,サ変・スル,基本形,する,スル,スル
。      記号,句点,*,*,*,*,。,。,。
EOS

Author

Naoya Murakami [email protected]

License

Public domain. You can copy and modify this project freely.