読者です 読者をやめる 読者になる 読者になる

ZAORIKU's blog

NLPとかプログラム関連のメモを書いていこうかな

シソーラス距離(概念距離)をwordnetを使ってpython2.7系で実装(windows7)

論文によってはオントロジー距離ってなっている気がする。

tkdmahさんの記事をまずはトレース 。

http://tkdmah.hatenablog.com/entry/2013/01/22/233919

以下から日本語wordnetをDL

http://nlpwww.nict.go.jp/wn-ja/jpn/downloads.html

Just Japanese Words linked to Princeton WordNet Synsets を選択

wnjpn-ok.tab.gz をDL

英語のWordNet をDL

import nltk
nltk.download()

以下、5ファイルを作って、 jwn_driver.py を実行(先頭3つは参照元と同じ内容)

jwn_driver.py

sim.py

jwn_corpusreader.py

TagExamples.txt  #入力ファイル1

WordExamples.txt #入力ファイル2

jwn_driver.py

これがメインプログラム、sim.pyをインポートする。

入力用のfin1とfin2に取り込むファイルは、\n区切りの単語の羅列だが、取り込むファイルはterapadutf-8nで書き出す(重要)。改行コードはどれでも動きそう。。

こうしない場合は、wordLists[0][1]の頭に飛び込んでくる文字列”ufeff”を除かないとエラーになる。

list内なので取るの面倒。生成時に弾くか、わざわざ要素を取り出して弾くことになりそう。

簡単に取れる方法あるのかな?

他、どこかにnullが混じっているとエラーになる。末尾気をつけること。

fin1 = 'TagExamples.txt' #入力ファイル1
fin2 = 'WordExamples.txt' #入力ファイル2

fout = 'Output.txt' #出力ファイル

import sim

wordLists = sim.makeWordLists(fin1,fin2) #単語リストを作成
synLists = sim.convWords2Synsets(wordLists[0], wordLists[1]) #概念リストを作成
simMatrix = sim.calcSim(synLists[0], synLists[1]) #類似度行列を作成
sim.writeSim(wordLists[0],wordLists[1],simMatrix,fout) #ファイルへの書き込み
sim.py

ダウンロードしたwordnetのファイルの位置を二箇所指定する。 jwnの箇所。

インストール時に勝手にどこかに入っても、↑ファイルを記載の位置にコピペすれば動く。

jwn_corpusreaderをインポートしている。

syn1.path_similarity(syn2)を深追いしたいが、jwnを追わないとだめぽ。。。

# -*- coding: utf-8 -*-
'''
英語WordNetから類似度を算出するモジュール
""" 
import codecs
 
def makeWordLists(fin1,fin2):
  """ ファイル名を2つ受け取って単語リストのリストを返す """
  fins = [fin1, fin2]
  wordLists = [[ ], [ ]]
  for i in [0,1]:
    f=codecs.open(fins[i], encoding="utf-8")
    for line in f:
      wordLists[i].append(line.strip("\r\n").strip("\n"))
    f.close()
  return wordLists
 
def convWords2Synsets(wordList1, wordList2):
  """ 単語リストを2つ受け取って概念リストのリストを返す """
import jwn_corpusreader
 jwn = jwn_corpusreader.JapaneseWordNetCorpusReader('C:/LyricsWorkspace/nltk_data/corpora/wordnet', 'C:/LyricsWorkspace/WordNet/wnjpn-ok.tab') #英語WordNetと日本語WordNetを指定する
  synLists = [[ ],[ ]]
  wordLists = [wordList1, wordList2]
  for i in [0,1]:
    for j in range(len(wordLists[i])):
      synLists[i].append(jwn.synsets(wordLists[i][j]))
  return synLists
 
def calcSim(synList1,synList2):
  """ 概念リストを2つ受け取って類似度の行列を返す """
  import numpy as np
  simMatrix = np.zeros( (len(synList1), len(synList2)))
  for i in range(len(synList1)):
    for j in range(len(synList2)):
      sims = [ ]
      for syn1 in synList1[i]:
        for syn2 in synList2[j]:
          sims.append(syn1.path_similarity(syn2))
      simMatrix[i,j] = max(sims)
  return simMatrix
 
def writeSim(wordList1, wordList2, simMatrix,fout):
  """ 単語リストを2つと類似度行列とファイル名を受け取ってファイルに出力する """
  f = codecs.open(fout,'w', encoding="utf-8")
  for i in range(len(wordList1)):
    for j in range(len(wordList2)):
      f.write(wordList1[i] + "-" + wordList2[j] +": " + str(simMatrix[i][j])+"\r\n")
  f.close()
jwn_corpusreader.py
# -*- coding: utf-8 -*-
"""
日本語リーダー
""" 
from nltk.corpus.reader.wordnet import WordNetCorpusReader
class JapaneseWordNetCorpusReader(WordNetCorpusReader):
    def __init__(self, root, filename):
        WordNetCorpusReader.__init__(self, root)
        import codecs
        f=codecs.open(filename, encoding="utf-8")
        self._jword2offset = {}
        for line in f:
            _cells = line.strip().split('\t')
            _offset_pos = _cells[0]
            _word = _cells[1]
            if len(_cells)>2: _tag = _cells[2]
            _offset, _pos = _offset_pos.split('-')
            try:
              self._jword2offset[_word].append({'offset': int(_offset), 'pos': _pos})
            except:
              self._jword2offset[_word]=[{'offset': int(_offset), 'pos': _pos}]
    def synsets(self, word):
        if word in self._jword2offset:
            results = [ ]
            for offset in (self._jword2offset[word]):
                results.append(WordNetCorpusReader._synset_from_pos_and_offset(
                self, offset['pos'], offset['offset']
                ))
            return results
        else:
            return None

他、日本語の単語がないか、日本語に対応した英語単語がないとエラーぽい。

英語単語のsynsetsがあっても、計算値がnanになる場合がある。

完全に概念ツリーが交差しているわけではないのかも

(何かの辞書では、単語さえあれば、絶対どこかでぶつかるとしているものも以前はあったと記憶しているが。。辞書が違うのかな)


計算結果

Output.txtに出力される。勝手に作られる。

同じ単語同士は1.0とでるが、

近さが謎な単語対や反対の意味の単語対の値はさまざま、0.3くらいまで上がるケースがある。

人間とサルは0.5だった。


この辺りに何かが見える。
同じ類型の相対距離はなんとなくでている。

狼-鳥: 0.142857142857
狼-猿: 0.166666666667
狼-猫: 0.2
狼-犬: 0.333333333333
狼-恐竜: 0.1
狼-狼: 1.0
狼-狐: 0.333333333333
狼-山: 0.0714285714286
狼-川: 0.0588235294118
狼-好き: 0.0526315789474
狼-嬉しい: nan
狼-苦しい: nan
狼-嫌い: 0.0526315789474

展望

辞書の構造とかもっとしっかり把握して計算式の改良を試みたい。

がんばって記事間類似度を出すところまで作りたい。特徴語の抽出や平均値的な計算が必要。

javaでもやってみようかな。検索まではできているし。。


捕捉:プログラムはVIDLE環境v5系で作成、txtファイルはTeraPadで作成
PyScripterの環境だと文字コード系のエラーで動かなかった。要求されているpython2.6系じゃないからかもしれないが、ちょっとよくわからない。。