| 1 |
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" |
| 2 |
"http://www.w3.org/TR/html4/strict.dtd"> |
| 3 |
<html> |
| 4 |
<head> |
| 5 |
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8"> |
| 6 |
<title>MeCab の辞書構造と汎用テキスト変換ツールとしての利用</title> |
| 7 |
<link type="text/css" rel="stylesheet" href="mecab.css"> |
| 8 |
</head> |
| 9 |
<body> |
| 10 |
<h1>MeCab の辞書構造と汎用テキスト変換ツールとしての利用</h1> |
| 11 |
|
| 12 |
<h2>概要</h2> |
| 13 |
<p>単語辞書の構造を理解することで, MeCab を汎用的なテキスト変換ツールとして利用することができます. 例えば, |
| 14 |
ひらがな to カタカナ変換, ローマ字 to ひらがな変換, Auto Link等を MeCab だけで実行できます |
| 15 |
</p> |
| 16 |
|
| 17 |
<h2>ファイル</h2> |
| 18 |
<p> |
| 19 |
単語辞書を構築するには, 最低以下のファイルを作成する必要があります. |
| 20 |
</p> |
| 21 |
|
| 22 |
<ul> |
| 23 |
<li>*.csv ファイル (単語辞書) |
| 24 |
<li>matrix.def (連接表) |
| 25 |
<li>unk.def (未知語用品詞定義) |
| 26 |
<li>char.def (未知語の文字定義) |
| 27 |
<li>dicrc (設定ファイル) |
| 28 |
</ul> |
| 29 |
|
| 30 |
<h3>*.csv ファイル</h3> |
| 31 |
<p>単語辞書です</p> |
| 32 |
|
| 33 |
<p>エントリは, 以下のような CSV で追加します.</p> |
| 34 |
|
| 35 |
<pre> |
| 36 |
test,1223,1223,6058,foo,bar,baz |
| 37 |
</pre> |
| 38 |
|
| 39 |
<p>最初の4つは必須エントリで, それぞれ</p> |
| 40 |
<ul> |
| 41 |
<li>表層形 |
| 42 |
<li>左文脈ID (単語を左から見たときの文脈 ID) |
| 43 |
<li>右文脈ID (単語を右から見たときの文脈 ID) |
| 44 |
<li>単語コスト (小さいほど出現しやすい) |
| 45 |
</ul> |
| 46 |
<p>となっています. コスト値は short int (16bit 整数) |
| 47 |
の範囲におさめる必要があります. </p> |
| 48 |
|
| 49 |
<p> |
| 50 |
5カラム目以降は, ユーザ定義の CSV フィールドです. 基本的に |
| 51 |
どんな内容でも CSV の許す限り追加することができます. |
| 52 |
</p> |
| 53 |
|
| 54 |
<h3>matrix.def</h3> |
| 55 |
<p>最初の行に連接表のサイズ(前件サイズ, 後件サイズ)を書きます. その後は, |
| 56 |
連接表の前件の文脈 ID, 後件の文脈IDと, それに対応するコストを書きます. |
| 57 |
</p> |
| 58 |
<p>ある単語 A, B が連接をなすとき, </p> |
| 59 |
<ul> |
| 60 |
<li>前件文脈ID = 単語Aの右文脈ID |
| 61 |
<li>後件文脈ID = 単語Bの左文脈ID |
| 62 |
</ul> |
| 63 |
|
| 64 |
<p>となります. つまり, 単語辞書に登録した ID が連接表を参照する際の |
| 65 |
キーとなります. コスト値は short int (16bit 整数) |
| 66 |
の範囲におさめる必要があります. </p> |
| 67 |
|
| 68 |
<pre> |
| 69 |
100 120 |
| 70 |
0 0 1 |
| 71 |
0 1 10 |
| 72 |
0 2 5 |
| 73 |
</pre> |
| 74 |
|
| 75 |
<p>上記の例では, 前件の文脈のサイズが100, 後件の文脈のサイズが 120 となって |
| 76 |
います. また, 前件文脈 0 から 後件文脈 1 への遷移コストが 10 となっています. |
| 77 |
</p> |
| 78 |
|
| 79 |
<h3>char.def</h3> |
| 80 |
<p>未知語処理のルールです. <a href="learn.html">こちら</a>を御覧ください. |
| 81 |
</p> |
| 82 |
|
| 83 |
<p>以下が最低限の設定 (DEFAULT と SPACE) です</p> |
| 84 |
<pre> |
| 85 |
DEFAULT 1 0 0 |
| 86 |
SPACE 0 1 0 |
| 87 |
0x0020 SPACE |
| 88 |
</pre> |
| 89 |
|
| 90 |
<h3>unk.def</h3> |
| 91 |
<p>未知語に対する品詞列のテーブルです. <a href="learn.html">こちら</a>を |
| 92 |
御覧ください. </p> |
| 93 |
|
| 94 |
<p>以下が最低限の設定 (DEFAULT と SPACE) です</p> |
| 95 |
<pre> |
| 96 |
DEFAULT,0,0,0,* |
| 97 |
SPACE,0,0,0,* |
| 98 |
</pre> |
| 99 |
|
| 100 |
|
| 101 |
<h2>辞書のコンパイル</h2> |
| 102 |
<p>次のコマンドを実行することで, 解析用のバイナリ辞書を作成します. </p> |
| 103 |
<pre> |
| 104 |
% /usr/local/libexec/mecab/mecab-dict-index |
| 105 |
</pre> |
| 106 |
|
| 107 |
</p> |
| 108 |
|
| 109 |
<h2>ケーススタディ</h2> |
| 110 |
<p>example ディレクトリにいくつかの応用例があります.</p> |
| 111 |
|
| 112 |
<h3>Auto Link</h3> |
| 113 |
<p>Hatena Keyword のような Auto Link を実装してみます</p> |
| 114 |
<ul> |
| 115 |
<li>url.csv |
| 116 |
<p>単語としてキーワード, 品詞としてキーワードに対応する URL を書きます. |
| 117 |
連接の状態は1状態で十分なので, 左文脈/右文脈IDともに 0 とします. |
| 118 |
コスト値は長いキーワードが優先されるよう設定します. 例えば以下のような関数を使うとよいでしょう.</p> |
| 119 |
<pre>cost = (int)max(-36000, -400 * (length^1.5)) </pre> |
| 120 |
|
| 121 |
url.csv |
| 122 |
<pre> |
| 123 |
Google,0,0,-5878,http://www.google.com/ |
| 124 |
Yahoo,0,0,-4472,http://www.yahoo.com/ |
| 125 |
ChaSen,0,0,-5878,http://chasen.org/ |
| 126 |
京都,0,0,-3200,http://www.city.kyoto.jp/ |
| 127 |
... |
| 128 |
</pre> |
| 129 |
|
| 130 |
<li>matrix.def |
| 131 |
<p>1 状態なので, 連接表のサイズは 1 x 1 となります. |
| 132 |
後件 0 から前件 0 の連接コストは 0 とします.</p> |
| 133 |
<pre> |
| 134 |
1 1 |
| 135 |
0 0 0 |
| 136 |
</pre> |
| 137 |
|
| 138 |
<li>char.def |
| 139 |
<p>最低限の設定 (DEFAULT と SPACE) です</p> |
| 140 |
<pre> |
| 141 |
DEFAULT 1 0 0 |
| 142 |
SPACE 0 1 0 |
| 143 |
0x0020 SPACE |
| 144 |
</pre> |
| 145 |
|
| 146 |
<li>unk.def |
| 147 |
<p>最低限の設定 (DEFAULT と SPACE) です</p> |
| 148 |
<pre> |
| 149 |
DEFAULT,0,0,0,* |
| 150 |
SPACE,0,0,0,* |
| 151 |
</pre> |
| 152 |
|
| 153 |
<li>dicrc |
| 154 |
<p>autolink というフォーマットを作成し, それがデフォルトの出力になるようにします</p> |
| 155 |
<pre> |
| 156 |
cost-factor = 800 |
| 157 |
bos-feature = BOS/EOS |
| 158 |
output-format-type=autolink |
| 159 |
|
| 160 |
node-format-autolink = <a href="%H">%M</a> |
| 161 |
unk-format-autolink = %M |
| 162 |
eos-format-autolink = \n |
| 163 |
</pre> |
| 164 |
|
| 165 |
<li>コンパイル + テスト |
| 166 |
<pre> |
| 167 |
% /usr/local/libexec/mecab/mecab-dict-index -f euc-jp -c euc-jp |
| 168 |
reading ./unk.def .. 2 |
| 169 |
emitting double-array: 100% |###########################################| |
| 170 |
reading ./dic.csv .. 4 |
| 171 |
emitting double-array: 100% |###########################################| |
| 172 |
emitting matrix : 100% |########################################### |
| 173 |
done! |
| 174 |
|
| 175 |
% mecab -d . |
| 176 |
京都に行った. |
| 177 |
<a href="http://www.city.kyoto.jp/">京都</a>に行った。 |
| 178 |
YahooとGoogle |
| 179 |
<a href="http://www.yahoo.com/">Yahoo</a>と<a href="http://www.google.com/">Google</a> |
| 180 |
</pre> |
| 181 |
</ul> |
| 182 |
|
| 183 |
<h3>ひらがな to カタカナ変換ツール</h3> |
| 184 |
<ul> |
| 185 |
<li>dic.csv |
| 186 |
<p>単語としてひらがな1文字, 品詞として各ひらがな対応するカタカナ1文字を書きます. |
| 187 |
連接の状態は1状態で十分なので, 左文脈/右文脈IDともに 0 とします. |
| 188 |
曖昧性がないため コスト値は 0 とします</p> |
| 189 |
<pre> |
| 190 |
う゛,0,0,0,ヴ |
| 191 |
あ,0,0,0,ア |
| 192 |
い,0,0,0,イ |
| 193 |
う,0,0,0,ウ |
| 194 |
え,0,0,0,エ |
| 195 |
お,0,0,0,オ |
| 196 |
ぁ,0,0,0,ァ |
| 197 |
ぃ,0,0,0,ィ |
| 198 |
ぅ,0,0,0,ゥ |
| 199 |
ぇ,0,0,0,ェ |
| 200 |
ぉ,0,0,0,ォ |
| 201 |
か,0,0,0,カ |
| 202 |
き,0,0,0,キ |
| 203 |
く,0,0,0,ク |
| 204 |
け,0,0,0,ケ |
| 205 |
こ,0,0,0,コ |
| 206 |
が,0,0,0,ガ |
| 207 |
ぎ,0,0,0,ギ |
| 208 |
ぐ,0,0,0,グ |
| 209 |
げ,0,0,0,ゲ |
| 210 |
ご,0,0,0,ゴ |
| 211 |
さ,0,0,0,サ |
| 212 |
し,0,0,0,シ |
| 213 |
す,0,0,0,ス |
| 214 |
せ,0,0,0,セ |
| 215 |
そ,0,0,0,ソ |
| 216 |
ざ,0,0,0,ザ |
| 217 |
じ,0,0,0,ジ |
| 218 |
ず,0,0,0,ズ |
| 219 |
ぜ,0,0,0,ゼ |
| 220 |
ぞ,0,0,0,ゾ |
| 221 |
た,0,0,0,タ |
| 222 |
ち,0,0,0,チ |
| 223 |
つ,0,0,0,ツ |
| 224 |
て,0,0,0,テ |
| 225 |
と,0,0,0,ト |
| 226 |
だ,0,0,0,ダ |
| 227 |
ぢ,0,0,0,ヂ |
| 228 |
づ,0,0,0,ヅ |
| 229 |
で,0,0,0,デ |
| 230 |
ど,0,0,0,ド |
| 231 |
っ,0,0,0,ッ |
| 232 |
な,0,0,0,ナ |
| 233 |
に,0,0,0,ニ |
| 234 |
ぬ,0,0,0,ヌ |
| 235 |
ね,0,0,0,ネ |
| 236 |
の,0,0,0,ノ |
| 237 |
は,0,0,0,ハ |
| 238 |
ひ,0,0,0,ヒ |
| 239 |
ふ,0,0,0,フ |
| 240 |
へ,0,0,0,ヘ |
| 241 |
ほ,0,0,0,ホ |
| 242 |
ば,0,0,0,バ |
| 243 |
び,0,0,0,ビ |
| 244 |
ぶ,0,0,0,ブ |
| 245 |
べ,0,0,0,ベ |
| 246 |
ぼ,0,0,0,ボ |
| 247 |
ぱ,0,0,0,パ |
| 248 |
ぴ,0,0,0,ピ |
| 249 |
ぷ,0,0,0,プ |
| 250 |
ぺ,0,0,0,ペ |
| 251 |
ぽ,0,0,0,ポ |
| 252 |
ま,0,0,0,マ |
| 253 |
み,0,0,0,ミ |
| 254 |
む,0,0,0,ム |
| 255 |
め,0,0,0,メ |
| 256 |
も,0,0,0,モ |
| 257 |
ゃ,0,0,0,ャ |
| 258 |
や,0,0,0,ヤ |
| 259 |
ゅ,0,0,0,ュ |
| 260 |
ゆ,0,0,0,ユ |
| 261 |
ょ,0,0,0,ョ |
| 262 |
よ,0,0,0,ヨ |
| 263 |
ら,0,0,0,ラ |
| 264 |
り,0,0,0,リ |
| 265 |
る,0,0,0,ル |
| 266 |
れ,0,0,0,レ |
| 267 |
ろ,0,0,0,ロ |
| 268 |
ゎ,0,0,0,ヮ |
| 269 |
わ,0,0,0,ワ |
| 270 |
ゐ,0,0,0,ヰ |
| 271 |
ゑ,0,0,0,ヱ |
| 272 |
を,0,0,0,ヲ |
| 273 |
ん,0,0,0,ン |
| 274 |
</pre> |
| 275 |
|
| 276 |
<li>matrix.def |
| 277 |
<p>1 状態なので, 連接表のサイズは 1 x 1 となります. |
| 278 |
後件 0 から前件 0 の連接コストは 0 とします.</p> |
| 279 |
<pre> |
| 280 |
1 1 |
| 281 |
0 0 0 |
| 282 |
</pre> |
| 283 |
|
| 284 |
<li>char.def |
| 285 |
<p>最低限の設定 (DEFAULT と SPACE) です</p> |
| 286 |
<pre> |
| 287 |
DEFAULT 1 0 0 |
| 288 |
SPACE 0 1 0 |
| 289 |
0x0020 SPACE |
| 290 |
</pre> |
| 291 |
|
| 292 |
<li>unk.def |
| 293 |
<p>最低限の設定 (DEFAULT と SPACE) です</p> |
| 294 |
<pre> |
| 295 |
DEFAULT,0,0,0,* |
| 296 |
SPACE,0,0,0,* |
| 297 |
</pre> |
| 298 |
|
| 299 |
<li>dicrc |
| 300 |
<p>katakana というフォーマットを作成し, それがデフォルトの出力になるよう |
| 301 |
にします</p> |
| 302 |
<pre> |
| 303 |
dictionary-charset = euc-jp |
| 304 |
cost-factor = 800 |
| 305 |
bos-feature = BOS/EOS |
| 306 |
output-format-type=katakana |
| 307 |
|
| 308 |
node-format-katakana = %H |
| 309 |
unk-format-katakana = %M |
| 310 |
eos-format-katakana = \n |
| 311 |
</pre> |
| 312 |
|
| 313 |
<li>コンパイル + テスト |
| 314 |
<pre> |
| 315 |
% /usr/local/libexec/mecab/mecab-dict-index -f euc-jp -c euc-jp |
| 316 |
reading ./unk.def .. 2 |
| 317 |
emitting double-array: 100% |###########################################| |
| 318 |
reading ./dic.csv .. 4 |
| 319 |
emitting double-array: 100% |###########################################| |
| 320 |
emitting matrix : 100% |########################################### |
| 321 |
done! |
| 322 |
% mecab -d . |
| 323 |
これはてすとです |
| 324 |
コレハテストデス |
| 325 |
</pre> |
| 326 |
</ul> |
| 327 |
</body> |
| 328 |
</html> |
| 329 |
|