TermExtract::EnglishPlainText
-- 専門用語抽出モジュール（英文版)
use TermExtract::EnglishPlainText;
英文のテキストデータをからそのまま専門用語を抽出するプログラム。
当モジュールの使用法については、親クラス（TermExtract::Calc_Imp)か、
以下のサンプルスクリプトを参照のこと。
#!/usr/local/bin/perl -w
#
# ex_EPT.pl
#
#
# 標準出力に専門用語とその重要度を返すプログラム
#
# version 0.09
#
#
use TermExtract::EnglishPlainText;
#use strict;
my $data = new TermExtract::EnglishPlainText;
my $InputFile = "EnglishPlainText_out.txt"; # 入力ファイル指定
# プロセスの異常終了時処理
# (ロックディレクトリを使用した場合のみ）
$SIG{INT} = $SIG{QUIT} = $SIG{TERM} = 'sigexit';
# 出力モードを指定
# 1 → 専門用語＋重要度、2 → 専門用語のみ
# 3 → カンマ区切り
my $output_mode = 1;
#
# 重要度計算で、連接語の"延べ数"、"異なり数"、"パープレキシティ"のい
# ずれをとるか選択。パープレキシティは「学習機能」を使えない
# また、"連接語の情報を使わない"選択もあり、この場合は用語出現回数
# (と設定されていればIDFの組み合わせ）で重要度計算を行う
# （デフォルトは"延べ数"をとる $obj->use_total)
#
#$data->use_total; # 延べ数をとる
#$data->use_uniq; # 異なり数をとる
#$data->use_Perplexity; # パープレキシティをとる(TermExtract 3.04 以上)
#$data->no_LR; # 隣接情報を使わない (TermExtract 4.02 以上)
#
# 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を選択する
# $data->no_LR; との組み合わせで用語出現頻度のみの重要度も算出可能
# （デフォルトは "Frequency" $data->use_frq)
# TFはある用語が他の用語の一部に使われていた場合にもカウント
# Frequency は用語が他の用語の一部に使われていた場合にカウントしない
#
#$data->use_TF; # TF (Term Frequency) (TermExtract 4.02 以上)
#$data->use_frq; # Frequencyによる用語頻度
#$data->no_frq; # 頻度情報を使わない
#
# 重要度計算で、学習機能を使うかどうか選択
# （デフォルトは、使用しない $obj->no_stat)
#
#$data->use_stat; # 学習機能を使う
#$data->no_stat; # 学習機能を使わない
#
# 重要度計算で、「ドキュメント中の用語の頻度」と「連接語の重要度」
# のどちらに比重をおくかを設定する。
# デフォルト値は１
# 値が大きいほど「ドキュメント中の用語の頻度」の比重が高まる
#
#$data->average_rate(0.5);
#
# 学習機能用DBにデータを蓄積するかどうか選択
# 重要度計算で、学習機能を使うときは、セットしておいたほうが
# 無難。処理対象に学習機能用DBに登録されていない語が含まれる
# と正しく動作しない。
# （デフォルトは、蓄積しない $obj->no_storage）
#
#$data->use_storage; # 蓄積する
#$data->no_storage; # 蓄積しない
#
# 学習機能用DBに使用するDBMをSDBM_Fileに指定
# （デフォルトは、DB_FileのBTREEモード）
#
#$data->use_SDBM;
#
# 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
# ファイル名をセット
# （デフォルトは "stat.db"と"comb.db"）
#
#$data->stat_db("stat.db");
#$data->comb_db("comb.db");
#
# 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
# ディレクトリ名が空文字列（デフォルト）の場合はロックしない
#
#$data->lock_dir("lock_dir");
#
# 英文そのものを読み込み
# 専門用語リストを配列に返す
# （累積統計DB使用、ドキュメント中の頻度使用にセット）
#
#my @noun_list = $data->get_imp_word($str, 'var'); # 入力が変数
my @noun_list = $data->get_imp_word($InputFile); # 入力がファイル
#
# 前回読み込んだ英文テキストデータを元に
# モードを変えて、専門用語リストを配列に返す
#$data->use_stat->no_frq;
#my @noun_list2 = $data->get_imp_word();
# また、その結果を別のモードによる結果と掛け合わせる
#@noun_list = $data->result_filter (\@noun_list, \@noun_list2, 30, 1000);
#
# 専門用語リストと計算した重要度を標準出力に出す
#
foreach (@noun_list) {
# 数値のみは表示しない
next if $_->[0] =~ /^\d+$/;
# 結果表示（$output_modeに応じて、出力様式を変更
printf "%-60s %16.2f\n", $_->[0], $_->[1] if $output_mode == 1;
printf "%s\n", $_->[0] if $output_mode == 2;
printf "%s,", $_->[0] if $output_mode == 3;
}
このモジュールでは、get_imp_word のみ実装し、それ以外のメソッドは親
モジュール TermExtract::Calc_Imp で実装されている。
get_imp_word はストップワードにより文章を複合語の単位までに分割して
いる。それ以外のメソッドについては、TermExtract::Calc_Imp のPODドキュ
メントを参照すること。
英文を次のルールにより複合語に生成する。第１引数は、処理対象のデー
タ、第２引数は第１引数の種別である。デフォルトでは、第１引数は、英文
のテキストファイルとなる。第２引数に文字列'var'がセットされたときには、
第一引数を英文のテキストデータが入ったスカラー変数と解釈する。
１．英文を次の条件により、複合語に分割する
１）改行があった場合は、そこで複合語の区切りとする
２）単語の末尾が次の文字で終わる場合は、単語の末尾の文字を削除
し、その単語までを複合語とする。ただし、アルファベット大文字
１文字＋. （例 A.）の場合は例外とする
.,?!:;
３）指定したストップワードが出現した場合は、そこで複合語の区切り
とする。ストップワードは次の文献を元とし、それに調整を加えたも
のである
William B. Frakes, Ricardo Baeza-Yates. 1992. Information
retrieval : data structures & algorithms. Upper. Saddle
River, N.J. : Prentice Hall PTR
(ISBN 0-13-463837-9)
削除した語
of
追加した語
to this it's that's what's
who's I'm am was largest
we can't couldn't wouldn't you're
you'd you've you'll wasn't isn't
aren't don't didn't dosen't he's
he'll she's she'll we're weren't
I'll I'd we'll I've it'll
who's where's haven't hasn't hadn't
won't there's whoever whichever whatever
４）次の記号や数値からなる文字列が出現した場合は、そこで複合語の
区切りとする
-.=#/|&*+
２．"of" が複合語の先頭もしくは末尾の単語になったときは削除する
３．単語に次のくくり文字が含まれている場合は削除する
()[]{}<>"
４．重要度計算において次の語は無視する
of Of OF
TermExtract::Calc_Imp
TermExtract::Chasen
TermExtract::MeCab
TermExtract::BrillsTagger
TermExtract::ChainesPlainTextUC
TermExtract::ChainesPlainTextGB
TermExtract::ICTCLAS
TermExtract::JapanesePlainTextEUC
TermExtract::JapanesePlainTextSJIS
このプログラムは、東京大学・中川裕志教授の英文専門用語抽出のアイデア
を元に、東京大学・前田朗 (maeda@lib.u-tokyo.ac.jp)が作成したものである。
なお、本プログラムの使用において生じたいかなる結果に関しても当方では
一切責任を負わない。