Golangで言語処理100本ノック2015 第4章: 形態素解析
言語処理100本ノック 2015の第4章: 形態素解析の10問です。
前処理
mecabの処理は先に済ませておきます。
# mecab neko.txt -o neko.txt.mecab
30. 形態素解析結果の読み込み
形態素解析結果（neko.txt.mecab）を読み込むプログラムを実装せよ．ただし，各形態素は表層形（surface），基本形（base），品詞（pos），品詞細分類1（pos1）をキーとするマッピング型に格納し，1文を形態素（マッピング型）のリストとして表現せよ．第4章の残りの問題では，ここで作ったプログラムを活用せよ．
gistc6be3f30935d9f1032cb8dd29b3a6f8e
# go run q30.go [map[base: pos:記号 pos1:空白 surface: ] map[pos:名詞 pos1:代名詞 surface:吾輩 base:吾輩] map[pos1:係助詞 surface:は base:は pos:助詞] map[base:猫 pos:名詞 pos1:一般 surface:猫] map[pos:助動詞 pos1:* surface:で base:だ] map[pos1:* surface:ある base:ある pos:助動詞] map[surface:。 base:。 pos:記号 pos1:句点]]
mecabの結果は形態素ごとに一行で出力されるのでReadLine()で読み取っています。
例として「 吾輩は猫である。」を表示させています。
31. 動詞
動詞の表層形をすべて抽出せよ．
gist0230b9eddcac1d6541935856342866ba
# go run q31.go [生れ つか し] [死な 得 られ]
Q30をそのまま利用すれば余裕です。結果が長くなるので最初と最後の3つだけ標準出力させました。
32. 動詞の原形
動詞の原形をすべて抽出せよ．
gist015db5a66878a77df992821b075ab8b5
# go run q32.go [生れる つく する] [死ぬ 得る られる]
Q31とほぼ同じです。
33. サ変名詞
サ変接続の名詞をすべて抽出せよ．
gistc2c9fe26605d803583db6ee4b26f6f00
# go run q33.go [見当 記憶 話] [抵抗 見当 判然]
こちらもQ31とほぼ同じです。
34. 「AのB」
2つの名詞が「の」で連結されている名詞句を抽出せよ．
gist120cb467e3a271b9bfbd55af9ca1b868
$ go run q34.go [彼の掌 掌の上 書生の顔] [水の中 座敷の上 不可思議の太平]
「の」が出てきた前後が名詞になるものを抜き出しています。
気をつけるのはindex out of rangeのruntime errorを出さないことでしょうか。
35. 名詞の連接
名詞の連接（連続して出現する名詞）を最長一致で抽出せよ．
gistf15b4cadbae765b94f4abf99b771ae39
# go run q35.go [吾輩 猫 名前] [太平 太平 南無阿弥陀仏南無阿弥陀仏]
名詞が続く間はループ回しています。 標準出力させながらコード書いてましたが、意外なもの(非自立や接尾の名詞)が出力され、間違っているのでは？と微妙にハマりました。そもそも国語力というか日本語の弱さが問題です。。。
36. 単語の出現頻度
文章中に出現する単語とその出現頻度を求め，出現頻度の高い順に並べよ．
gistc5f254f78da7fd7774c6513726607a71
# go run q36.go の 9194 。 7486 て 6848 、 6772 は 6420 に 6243 を 6071 だ 5975 と 5508 が 5337
mapは順序を保存してくれないので、擬似的なTreeMapとしてsortedMap型を用意しました。ほぼこちらを参考にしました。
上位10個を抜き出してみましたが、固有名詞がないですね。。。
37. 頻度上位10語
出現頻度が高い10語とその出現頻度をグラフ（例えば棒グラフなど）で表示せよ．
gist5f74bc0a182cfa616d5f270037ac4d17
実行結果
gonum/plotが日本語サポートしていないのでX軸にどの単語だが、表示されないのが微妙ですね。。。出力しているのはQ36と同じですが。 棒グラフの書き方は以前記事にまとめました。
38. ヒストグラム
単語の出現頻度のヒストグラム（横軸に出現頻度，縦軸に出現頻度をとる単語の種類数を棒グラフで表したもの）を描け．
gistc2bdc1b97162a49e390991bd454d45c5
実行結果
英語だとちゃんと軸名が表示されます笑 題意の単語が何を指しているのか戸惑って、問題文理解するのに時間掛かりました。。。
39. Zipfの法則
単語の出現頻度順位を横軸，その出現頻度を縦軸として，両対数グラフをプロットせよ．
gista037ce443bd2066f6061ce91a8167630
実行結果
Q38を流用するとすぐですね。
感想
言語処理をやったことがなかったので、そもそもの用語を知らなくて戸惑うことが多かったです。このまま5章の係り受け解析も頑張ります。
いつも通りコードはGithubにも置いてあります。
