Générer un dictionnaire MeCab à partir des données de l'Encyclopédie Nico Nico

Aperçu

Extrait de "Niko Niko Encyclopedia Data" (par Future Search Brazil Co., Ltd.) sur Site Web de l'Institut national d'informatique Générez et appliquez le dictionnaire de MeCab. Cette méthode peut être disponible pour l'exploration de texte à des fins de recherche.

• L'environnement d'exécution est Linux Mint 13 (Ubuntu 12.04 LTS).

Méthode

01. Obtenez les données de l'Encyclopédie Nico Nico.

http://www.nii.ac.jp/cscenter/idr/nico/nicopedia-apply.html

• Téléchargez et décompressez head.zip.

02. Placez le code Python suivant dans la même hiérarchie que le dossier principal décompressé.

nc2mecab.py

# -*- encoding: utf-8 -*-

import os
import csv
import re

def main():
  #Nom du dossier d'entrée
  pth = 'head'
  #Nom du fichier de sortie
  wtnme = 'ncnc.csv'
  #Modèle de chaîne supprimé pour le formatage des mots
  rmvptn = re.compile(r'(^\d[1,2]Mois\d[1,2]journée$)|((\(|（).+(\)|）)$)') #Moisjournéeタグとタグ後ろのジャンル名は削除

  with open(wtnme,'wb') as wtfh:
    wt = csv.writer(wtfh)
    fnmes = os.listdir(pth)
    for fnme in fnmes:
      with open(os.path.join(pth,fnme),'rb') as rdfh:
        rd = csv.reader(rdfh)
        for row in rd:
          if row[3]=='a':
            wrd = rmvptn.sub('',row[1]).lower()
            if(0 < len(wrd)):
              wt.writerow(
                [wrd,'0','0',int(max(-32768.0, (6000 - 200 *(len(wrd)**1.3)))),'nom','Général','*','*','*','*',wrd,row[2],row[2],'Encyclopédie Nico Nico']
              )

if __name__ == '__main__':
  main()

• Il y a des doublons dans les mots de sortie. La précision de la mise en forme des données est également médiocre.
• Pour la méthode de calcul des coûts, je me suis référé à ce site.

03. Exécutez du code Python.

python nc2mecab.py

• Ncnc.csv est émis dans la même couche.

04. Générez et appliquez le dictionnaire MeCab.

En utilisant le CSV de sortie, "Ajouter au dictionnaire utilisateur" de MeCab: Comment ajouter des mots a été exécuté. Cependant, la commande de génération de dictionnaire est la suivante.

/usr/local/libexec/mecab/mecab-dict-index -d/usr/local/lib/mecab/dic/ipadic -u ncnc.dic -f utf-8 -t utf-8 ncnc.csv

résultat

vocaloid et l'amour en direct! C'est le goût de Nico Kitchen.

nomenclature vocaloïde, général, *, *, *, *, vocaloïde, vocaloïde, vocaloïde, Encyclopédie Nico Nico Et remplisseur, *, *, *, *, *, et, à, à lovelive! Nomenclature, Général, *, *, *, *, Love Live! , Love Live, Love Live, Encyclopédie Nico Nico Est un assistant, un assistant, *, *, *, *, est, ha, wa Nico Kitchen Nomenclature, Général, *, *, *, *, Nico Kitchen, Nicochu, Nicochu, Niconico Encyclopedia Auxiliaire, syndicalisation, *, *, *, *, de, non, non Nomenclature du goût, général, *, *, *, *, goût, tashinami, tashinami .. Symboles, signes de ponctuation, *, *, *, *,. ,. ,. EOS