Pythonと日本語係り受け解析器であるCaboChaを用いて係る語と受ける語のペアを抽出する方法をご紹介する。

環境:Ubuntu14.04

Pythonツールのインストール

PythonからCaboChaを扱うために、CaboChaに付属しているPythonのsetup.pyをインストールする。
これはPython2系専用であることに注意する。
cabocha – Yet Another Japanese Dependency Structure Analyzer – Google Project Hostingからcabocha-0.68.tar.bz2をダウンロードして、解凍した後、「cabocha-0.68/python」ディレクトリに移動後、以下のコマンドを実行して、インストールする。


$ sudo python setup.py install

「/usr/local/lib/python2.7/dist-packages/」に配置される。

係り受け構造の抽出

係り受け構造を抽出するPythonソースコードは以下を参照して欲しい。


import CaboCha

def get_word(tree, chunk):
    surface = ''
    for i in range(chunk.token_pos, chunk.token_pos + chunk.token_size):
        token = tree.token(i)
        features = token.feature.split(',')
        if features[0] == '名詞':
            surface += token.surface
        elif features[0] == '形容詞':
            surface += features[6]
            break
        elif features[0] == '動詞':
            surface += features[6]
            break
    return surface

def get_2_words(line):
    cp = CaboCha.Parser('-f1')
    tree = cp.parse(line)
    chunk_dic = {}
    chunk_id = 0
    for i in range(0, tree.size()):
        token = tree.token(i)
        if token.chunk:
            chunk_dic[chunk_id] = token.chunk
            chunk_id += 1

    tuples = []
    for chunk_id, chunk in chunk_dic.items():
        if chunk.link > 0:
            from_surface =  get_word(tree, chunk)
            to_chunk = chunk_dic[chunk.link]
            to_surface = get_word(tree, to_chunk)
            tuples.append((from_surface, to_surface))
    return tuples

if __name__ == '__main__' :
    line = '太郎は花子が読んでいる本を次郎に渡した'
    tuples = get_2_words(line)
    for t in tuples:
        print(t[0] + ' => ' + t[1])

簡単に流れを説明すると、以下のようになる。

  • 文章をtokenに分割
  • chunkであるtokenをディクショナリ化{link, chunk}
  • ディクショナリから{link, chunk}を取り出す。
    • chunkの語の原形の名詞・形容詞・動詞を取得
    • chunk.linkに対応するchunkの語の原形の名詞・形容詞・動詞を取得(対応するlinkがない場合は、-1)
    • ペアとして抽出

Pythonを実行すると、以下のように出力される。


太郎 => 渡す
花子 => 読む
読む => 本
本 => 渡す
次郎 => 渡す

通常の構造は、以下になる。


$ cabocha
太郎は花子が読んでいる本を次郎に渡した
    太郎は---------D
      花子が-D     |
    読んでいる-D   |
            本を---D
            次郎に-D
              渡した
EOS

関連する記事

  • カイ二乗検定 – 適合度検定カイ二乗検定 – 適合度検定 適合度検定とは、観測度数分布が期待度数分布と同じかどうかを統計的に確かめる方法である。 適合度検定を行う手順は次の通りである。 仮説を立てる。 帰無仮説 H0:観測度数分布と期待度数分布が同じ。 対立仮説 […]
  • MySQL 月の差分を計算する方法MySQL 月の差分を計算する方法 MySQLで、月の差分を計算する方法をお伝えする。 計算は、PERIOD_DIFF関数を用いれば簡単に求めることができる。 これは、二つの期間の差の月数を返す関数である。 PERIOD_DIFF(P1, […]
  • R言語 CRAN Task ViewsR言語 CRAN Task Views CRANに登録されているパッケージ数は膨大です。そこで、いくつかのグループにパッケージを分類し整理されたCRAN Tack Views というサイトがあります。ここでは、英語での説明文をGoogle翻訳を使用させていただき機械的に翻訳したものを掲載しました。 Bayesian(日本語訳) Bayesian […]
  • UbuntuでGENEONTOLOGYのgo.oboをjson形式に変換する方法UbuntuでGENEONTOLOGYのgo.oboをjson形式に変換する方法 title: UbuntuでGENEONTOLOGYのgo.oboをjson形式に変換する方法 url: how-to-convert-geneontology-obo-to-json-on-ubuntu GENEONTOLOGYのgo.oboをjson形式に変換する方法をお伝えします。 環境 今回の環境を確認しておきます。 $ cat […]
  • R言語 CRAN Task View:医用画像解析R言語 CRAN Task View:医用画像解析 CRAN Task View: Medical Image Analysisの英語での説明文をGoogle翻訳を使用させていただき機械的に翻訳したものを掲載しました。 Maintainer: Brandon Whitcher, Jon Clayden, John Muschelli Contact: bwhitcher at […]
Python CaboChaを用いて係り受け構造を抽出する方法

Python CaboChaを用いて係り受け構造を抽出する方法」への1件のフィードバック

コメントは受け付けていません。