NekonekoGen

ネコでもテキスト分類器のRubyライブラリが生成できる便利ツール

インストール

% gem install nekoneko_gen

でインストールできます。

または Gemfile に次の行を追加して

gem 'nekoneko_gen'

次のコマンドを実行。

$ bundle

使い方の例 (1) ２ちゃんねるの投稿からどのスレッドの投稿か判定するライブラリを生成する

例として、２ちゃんねるに投稿されたデータから、投稿（レス）がどのスレッドのレスか判定するライブラリを生成してみます。

まず

% gem install nekoneko_gen

でインストールします。 Ruby 1.8.7でも1.9.2でも動きますが1.9.2のほうが5倍くらい速いので1.9.2以降がおすすめです。環境は、ここではUbuntuを想定しますが、Windowsでも使えます。（WindowsXP, ruby 1.9.3p0で確認）

データは僕が用意しているので、適当にdataというディレクトリを作ってダウンロードします。

% mkdir data
% cd data
% wget -i http://www.udp.jp/misc/2ch_data/index1.txt
% cd ..

でダウンロードされます。

いろいろダウンロードされますが、とりあえず、ドラクエ質問スレとラブプラス質問スレの2択にしようと思うので、以下のファイルを使用します。これらを使って、入力された文章がドラクエ質問スレのレスか、ラブプラス質問スレのレスか判定するライブラリを生成します。

dragon_quest.txt: ドラゴンクエストなんでも質問スレのデータ（約3万件)
dragon_quest_test.txt: dragon_quest.txtからテスト用に500件抜いたレス（dragon_quest.txtには含まれない）
dragon_quest_test2.txt: dragon_quest_test.txtの2レスを1行にしたデータ
loveplus.txt: ラブプラス質問スレのデータ（約2.5万件)
loveplus_test.txt: loveplus.txtからテスト用に500件抜いたレス
loveplus_test2.txt: loveplus_test.txtの2レスを1行にしたデータ

入力データのフォーマットは、1カテゴリ1ファイル1行1データです。このデータの場合は、1レス中の改行コードを消して1行1レスにしてしています。データの整備はアンカー（>>1のようなリンク）を消しただけなので、「サンクス」「死ぬ」「そうです」みたいなどう考えても分類無理だろみたいなデータも含まれています。また突然荒らしが登場してスレと関係ないクソレスを繰り返していたりもします。 *_test.txtと*_test2.txtは生成されたライブラリの確認用です。_test.txtのうちいくつ正解できるか数えるのに使います。_test2.txtは、*_test.txtの2レスを1データにしたものです。２ちゃんの投稿は短すぎてうまく判定できないことが多いのでは？　と思うので、なら2レスあれば判定できるのか？　という確認用です。

生成してみる

% nekoneko_gen -n game_thread_classifier data/dragon_quest.txt data/loveplus.txt

nekoneko_genというコマンドで生成します。 -nで生成する分類器の名前を指定します。これは".rb"を付けてファイル名になるのと、キャピタライズしてモジュール名になります。生成先ディレクトリを指定したい場合は、直接ファイル名でも指定できます。その後ろに分類（判定）したい種類ごとに学習用のファイルを指定します。最低2ファイルで、それ以上ならいくつでも指定できます。

ちょっと時間がかかるので、待ちます。2分くらい。

% nekoneko_gen -n game_thread_classifier data/dragon_quest.txt data/loveplus.txt
loading data/dragon_quest.txt... 37.0108s
loading data/loveplus.txt... 37.5334s
step   0... 0.893258, 4.2150s
step   1... 0.936877, 1.8508s
step   2... 0.948048, 1.3891s
step   3... 0.954943, 1.3921s
step   4... 0.959396, 1.1686s
step   5... 0.962824, 1.3013s
step   6... 0.964833, 1.1754s
step   7... 0.966271, 1.1562s
step   8... 0.967749, 1.2547s
step   9... 0.968537, 1.1301s
step  10... 0.969581, 1.1238s
step  11... 0.970074, 1.2611s
step  12... 0.970369, 1.1102s
step  13... 0.971197, 0.9888s
step  14... 0.972162, 1.2344s
step  15... 0.972655, 1.0946s
step  16... 0.973186, 1.0937s
step  17... 0.973482, 1.1007s
step  18... 0.973896, 1.0846s
step  19... 0.973975, 1.0803s
DRAGON_QUEST, LOVEPLUS : 86497 features
done nyan!

終わったら -nで指定した名前のファイルにRubyのコードが生成されています。

% ls -la
...
-rw-r--r-- 1 ore users 5000504 2012-06-04 07:20 game_thread_classifier.rb
...

5MBくらいありますね。結構デカい。このファイルには、GameThreadClassifier（指定した名前をキャピタライズしたもの）というModuleが定義されていて、self.predict(text)というメソッドを持っています。このメソッドに文字列を渡すと、予測結果としてGameThreadClassifier::DRAGON_QUESTかGameThreadClassifier::LOVEPLUSを返します。この定数名は、コマンドに指定したデータファイル名を大文字にしたものです。

試してみる

生成されたライブラリを使ってみましょう。注意として、Ruby 1.8.7の場合は、$KCODEを'u'にしておかないと動きません。あと入力の文字コードもutf-8のみです。

# coding: utf-8
if (RUBY_VERSION < '1.9.0')
  $KCODE = 'u'
end
require './game_thread_classifier'
require 'kconv'

$stdout.sync = true
loop do
  print "> "
  line = $stdin.readline.toutf8
  label = GameThreadClassifier.predict(line)
  puts "#{GameThreadClassifier::LABELS[label]}の話題です!!!"
end

こんなコードを console.rb として作ります。 GameThreadClassifier.predictは予測されるクラスのラベル番号を返します。 GameThreadClassifier::LABELSには、ラベル番号に対応するラベル名が入っているので、これを表示してみます。

% ruby console.rb
> 彼女からメールが来た
LOVEPLUSの話題です!!!
> 日曜日はデートしてました
LOVEPLUSの話題です!!!
> 金欲しい
DRAGON_QUESTの話題です!!!
> 王様になりたい
DRAGON_QUESTの話題です!!!
> スライム
DRAGON_QUESTの話題です!!!
> スライムを彼女にプレゼント
LOVEPLUSの話題です!!!

できてるっぽいですね。CTRL+DとかCTRL+Cとかで適当に終わります。

正解率を調べてみる

*_test.txt、*_test2.txtの何%くらい正解できるか調べてみます。

if (RUBY_VERSION < '1.9.0')
  $KCODE = 'u'
end
require './game_thread_classifier'

labels = Array.new(GameThreadClassifier.k, 0)
file = ARGV.shift
File.open(file) do |f|
  until f.eof?
    l = f.readline.chomp
    label = GameThreadClassifier.predict(l)
    labels[label] += 1
  end
end
count = labels.reduce(:+)
labels.each_with_index do |c, i|
  printf "%16s: %f\n", GameThreadClassifier::LABELS[i], c.to_f / count.to_f
end

引数に指定したファイルを1行ずつpredictに渡して、予測されたラベル番号の数を数えて、クラスごとに全体の何割かを表示するだけのコードです。 GameThreadClassifier.kは、クラス数（この場合、DRAGON_QUESTとLOVEPLUSで2）を返します。

% ruby test.rb data/dragon_quest_test.txt
    DRAGON_QUEST: 0.924000
        LOVEPLUS: 0.076000

data/dragon_quest_test.txtには、ドラクエ質問スレのデータしかないので、すべて正解であれば、DRAGON_QUEST: 1.0になるはずです。 DRAGON_QUEST: 0.924000なので、92.4%は正解して、7.6%はラブプラスと間違えたことが分かります。同じようにすべて試してみましょう。

% ruby test.rb data/dragon_quest_test.txt
    DRAGON_QUEST: 0.924000
        LOVEPLUS: 0.076000
% ruby test.rb data/loveplus_test.txt
    DRAGON_QUEST: 0.102000
        LOVEPLUS: 0.898000

% ruby test.rb data/dragon_quest_test2.txt
    DRAGON_QUEST: 0.988000
        LOVEPLUS: 0.012000
% ruby test.rb data/loveplus_test2.txt
    DRAGON_QUEST: 0.004016
        LOVEPLUS: 0.995984

ラブプラスはちょっと悪くて、89.8%くらいですね。平均すると、91%くらい正解しています。また2レスで判定すると99%以上正解することが分かりました。2レスあれば、それがドラクエスレか、ラブプラススレか、ほとんど間違えることなく判定できるっぽいですね。

まとめ

ここまで読んでいただければ、どういうものか分かったと思います。用意したデータファイルを学習して、指定した文字列がどのデータファイルのデータと似ているか判定するRubyライブラリを生成します。生成されたライブラリは、Rubyの標準ライブラリ以外では、 json と bimyou_segmenter に依存しています。

gem install json bimyou_segmenter

C Extensionが使えない環境だと、

gem install json_pure bimyou_segmenter

とすれば、いろんな環境で生成したライブラリが使えるようになります。

他のファイルも試す

データは他に skyrim.txt (スカイリムの質問スレ）、mhf.txt (モンスターハンターフロンティアオンラインの質問スレ）を用意しているので、これらも学習できます。

% nekoneko_gen -n game_thread_classifier data/dragon_quest.txt data/loveplus.txt data/skyrim.txt data/mhf.txt

単純に指定するファイルを増やすだけです。生成されるコードも判定結果が増えただけなので、上で作ったconsole.rb、test.rbがそのまま使えます。

% nekoneko_gen -n game_thread_classifier data/dragon_quest.txt data/loveplus.txt data/skyrim.txt data/mhf.txt
loading data/dragon_quest.txt... 37.1598s
loading data/loveplus.txt... 37.9838s
loading data/skyrim.txt... 134.5455s
loading data/mhf.txt... 72.3003s
step   0... 0.882245, 19.6765s
step   1... 0.922662, 14.9239s
step   2... 0.932979, 14.5471s
step   3... 0.939081, 13.0942s
step   4... 0.943442, 12.2289s
step   5... 0.947011, 12.7141s
step   6... 0.950062, 12.0611s
step   7... 0.952911, 11.9480s
step   8... 0.955120, 11.3372s
step   9... 0.956726, 11.8161s
step  10... 0.958260, 11.1741s
step  11... 0.959807, 11.1724s
step  12... 0.960831, 11.6116s
step  13... 0.961533, 11.0797s
step  14... 0.962678, 10.4930s
step  15... 0.963860, 11.4895s
step  16... 0.964193, 10.9576s
step  17... 0.965106, 11.4999s
step  18... 0.965567, 10.2368s
step  19... 0.966096, 10.8386s
DRAGON_QUEST : 245796 features
LOVEPLUS : 245796 features
SKYRIM : 245796 features
MHF : 245796 features
done nyan!

% ruby test.rb data/dragon_quest_test.txt
    DRAGON_QUEST: 0.864000
        LOVEPLUS: 0.040000
          SKYRIM: 0.062000
             MHF: 0.034000
% ruby test.rb data/loveplus_test.txt
    DRAGON_QUEST: 0.070000
        LOVEPLUS: 0.832000
          SKYRIM: 0.056000
             MHF: 0.042000
% ruby test.rb data/skyrim_test.txt
    DRAGON_QUEST: 0.046000
        LOVEPLUS: 0.038000
          SKYRIM: 0.860000
             MHF: 0.056000
% ruby test.rb data/mhf_test.txt
    DRAGON_QUEST: 0.042000
        LOVEPLUS: 0.022000
          SKYRIM: 0.056000
             MHF: 0.880000

% ruby test.rb data/dragon_quest_test2.txt
    DRAGON_QUEST: 0.968000
        LOVEPLUS: 0.012000
          SKYRIM: 0.008000
             MHF: 0.012000
% ruby test.rb data/loveplus_test2.txt
    DRAGON_QUEST: 0.000000
        LOVEPLUS: 0.991968
          SKYRIM: 0.008032
             MHF: 0.000000
% ruby test.rb data/skyrim_test2.txt
    DRAGON_QUEST: 0.004000
        LOVEPLUS: 0.008000
          SKYRIM: 0.976000
             MHF: 0.012000
% ruby test.rb data/mhf_test2.txt
    DRAGON_QUEST: 0.008032
        LOVEPLUS: 0.000000
          SKYRIM: 0.012048
             MHF: 0.979920

1レスの場合は、選択肢が増えた分悪くなっています。平均すると正解は86%くらいでしょうか。2レスの場合は、まだ97%以上正解しています。

使い方の例 (2) 20 newsgroupsを試してみる

文書分類では、20newsgroupsというデータセットがよく使われるようなので、試してみました。 nekoneko_genは英語テキストにも対応しています。

http://people.csail.mit.edu/jrennie/20Newsgroups/

これは20種類のニュースグループに投稿された約2万件のドキュメントを含むデータセットです（学習用が1.1万件、確認用が7.5千件だった)。ニュースグループというのは、メーリングリストで２ちゃんねるをやっている感じのものだと思います。 20種類の板に投稿されたレスをどの板の投稿か判定するマシンを学習します。

(注意: ここに書かれている作業用のコードはRuby1.9系でしか動きません)

データの準備

サイトを見ると何種類かありますけど、20news-bydate.tar.gz を使います。

% wget http://people.csail.mit.edu/jrennie/20Newsgroups/20news-bydate.tar.gz
% tar -xzvf 20news-bydate.tar.gz
% ls 
20news-bydate-test  20news-bydate-train

train用とtest用に分かれているらしいので、trainで学習して、testで確認します。構造を見てみましょう。

% ls 20news-bydate-train
alt.atheism    comp.os.ms-windows.misc   comp.sys.mac.hardware  misc.forsale  rec.motorcycles     rec.sport.hockey  sci.electronics  sci.space               talk.politics.guns     talk.politics.misc
comp.graphics  comp.sys.ibm.pc.hardware  comp.windows.x         rec.autos     rec.sport.baseball  sci.crypt         sci.med          soc.religion.christian  talk.politics.mideast  talk.religion.misc
% ls  20news-bydate-train/comp.os.ms-windows.misc
10000  9141  9159  9450  9468  9486  9506

20news-bydate-trainと20news-bydate-testの下に各カテゴリのディレクトリがあって、各カテゴリのディレクトリにドキュメントがファイルに分かれて入っているようです。

nekoneko_genは、1ファイル1カテゴリ1行1データの入力フォーマットなので、まずこんなスクリプトで変換します。

# coding: utf-8
# 20news-conv.rb
require 'fileutils'
require 'kconv'

src = ARGV.shift
dest = ARGV.shift
unless (src && dest)
  warn "20news-conv.rb srcdir destdir\n"
  exit(-1)
end

FileUtils.mkdir_p(dest)
data = Hash.new
# 元データの各ファイルについて
Dir.glob("#{src}/*/*").each do |file|
  if (File.file?(file))
    # root/category/nに分解
    root, category, n = file.split('/')[-3 .. -1]
    if (root && category && n)
      data[category] ||= []
      # ファイルの内容を改行をスペースに置き換えて(1行にして)カテゴリのデータに追加
      data[category] << NKF::nkf("-w", File.read(file)).gsub(/[\r\n]+/, ' ')
    end
  end
end

# 出力側で
data.each do |k,v|
  # カテゴリ名.txtのファイルにデータを行単位で吐く
  path = File.join(dest, "#{k}.txt")
  File.open(path, "w") do |f|
    f.write v.join("\n")
  end
end

train、testというディレクトリに変換。

% ruby 20news-conv.rb 20news-bydate-train train
% ruby 20news-conv.rb 20news-bydate-test test
%
% ls test
alt.atheism.txt              comp.sys.ibm.pc.hardware.txt  misc.forsale.txt     rec.sport.baseball.txt  sci.electronics.txt  soc.religion.christian.txt  talk.politics.misc.txt
comp.graphics.txt            comp.sys.mac.hardware.txt     rec.autos.txt        rec.sport.hockey.txt    sci.med.txt          talk.politics.guns.txt      talk.religion.misc.txt
comp.os.ms-windows.misc.txt  comp.windows.x.txt            rec.motorcycles.txt  sci.crypt.txt           sci.space.txt        talk.politics.mideast.txt
% head alt.atheism.txt

できてます。

学習

1コマンドです。ここまでの作業のことは忘れましょう。分類器の名前はnews20にしました。 trainの下を全部指定します。

% nekoneko_gen -n news20 train/*

ちょっと時間かかります。

% nekoneko_gen -n news20 train/*
loading train/alt.atheism.txt... 11.2039s
loading train/comp.graphics.txt... 10.0659s
loading train/comp.os.ms-windows.misc.txt... 24.7611s
loading train/comp.sys.ibm.pc.hardware.txt... 9.1767s
loading train/comp.sys.mac.hardware.txt... 8.3413s
loading train/comp.windows.x.txt... 13.9806s
loading train/misc.forsale.txt... 6.8255s
loading train/rec.autos.txt... 9.9041s
loading train/rec.motorcycles.txt... 9.4798s
loading train/rec.sport.baseball.txt... 9.9481s
loading train/rec.sport.hockey.txt... 14.2056s
loading train/sci.crypt.txt... 19.5707s
loading train/sci.electronics.txt... 9.6204s
loading train/sci.med.txt... 13.6632s
loading train/sci.space.txt... 14.4867s
loading train/soc.religion.christian.txt... 16.4918s
loading train/talk.politics.guns.txt... 16.2433s
loading train/talk.politics.mideast.txt... 21.8133s
loading train/talk.politics.misc.txt... 16.2976s
loading train/talk.religion.misc.txt... 10.4111s
step   0... 0.953548, 58.1906s
step   1... 0.970537, 47.1082s
step   2... 0.980550, 41.9248s
step   3... 0.985889, 37.6781s
step   4... 0.989483, 35.0408s
step   5... 0.991824, 33.8357s
step   6... 0.993727, 30.1385s
step   7... 0.995139, 29.5926s
step   8... 0.996107, 29.3976s
step   9... 0.997182, 27.9107s
step  10... 0.997546, 27.1800s
step  11... 0.998004, 26.4783s
step  12... 0.998581, 26.7023s
step  13... 0.998985, 25.9511s
step  14... 0.999145, 24.7697s
step  15... 0.999324, 24.7991s
step  16... 0.999430, 24.8879s
step  17... 0.999569, 24.7246s
step  18... 0.999622, 25.2175s
step  19... 0.999615, 23.5225s
ALT_ATHEISM : 153334 features
COMP_GRAPHICS : 153334 features
COMP_OS_MS_WINDOWS_MISC : 153334 features
COMP_SYS_IBM_PC_HARDWARE : 153334 features
COMP_SYS_MAC_HARDWARE : 153334 features
COMP_WINDOWS_X : 153334 features
MISC_FORSALE : 153334 features
REC_AUTOS : 153334 features
REC_MOTORCYCLES : 153334 features
REC_SPORT_BASEBALL : 153334 features
REC_SPORT_HOCKEY : 153334 features
SCI_CRYPT : 153334 features
SCI_ELECTRONICS : 153334 features
SCI_MED : 153334 features
SCI_SPACE : 153334 features
SOC_RELIGION_CHRISTIAN : 153334 features
TALK_POLITICS_GUNS : 153334 features
TALK_POLITICS_MIDEAST : 153334 features
TALK_POLITICS_MISC : 153334 features
TALK_RELIGION_MISC : 153334 features
done nyan!

終わったらnews20.rbというRubyのライブラリが生成されています。

% ls -la news20.rb
-rw-r--r-- 1 ore users 66599221 2012-06-02 17:10 news20.rb

60MB以上あります。デカい。

確認

20カテゴリもあって前回のスクリプトで1カテゴリずつ見るのはきついので、一気に確認するスクリプトを書きました。

# coding: utf-8
# test.rb

# 分類器を読み込む
require './news20'

# ファイル名をnekoneko_genが返すラベル名に変換する関数
def label_name(file)
  File.basename(file, ".txt").gsub(/[\.\-]/, "_").upcase
end

count = 0
correct = 0
# 指定された各ファイルについて
ARGV.each do |file|
  # ファイル名からラベル名を得る
  name = label_name(file)

  # ラベル名から正解ラベル（定数）に変換
  # (News20::LABELSにラベル番号順のラベル名があるので添え字位置を探す）
  correct_label = News20::LABELS.each_with_index.select{|v,i| v == name}.flatten.pop

  file_count = 0
  file_correct = 0
  # ファイルの各行データについて
  File.read(file).lines do |l|
    # 予測
    label = News20.predict(l)
    # ラベルが一致していたら
    if (label == correct_label)
      # 正解!!
      file_correct += 1
    end
    # データ数
    file_count += 1
  end
  correct += file_correct
  count += file_count
  # ファイルの内での正解率を表示  
  printf("%26s: %f\n", name, file_correct.to_f / file_count.to_f)
end

# 全体の正解率を表示  
printf("\nAccuracy: %f\n", correct.to_f / count.to_f)

testの下を全部指定します。

% ruby test.rb test/*
               ALT_ATHEISM: 0.789969
             COMP_GRAPHICS: 0.825193
   COMP_OS_MS_WINDOWS_MISC: 0.753807
  COMP_SYS_IBM_PC_HARDWARE: 0.778061
     COMP_SYS_MAC_HARDWARE: 0.867532
            COMP_WINDOWS_X: 0.815190
              MISC_FORSALE: 0.902564
                 REC_AUTOS: 0.916667
           REC_MOTORCYCLES: 0.969849
        REC_SPORT_BASEBALL: 0.957179
          REC_SPORT_HOCKEY: 0.984962
                 SCI_CRYPT: 0.952020
           SCI_ELECTRONICS: 0.778626
                   SCI_MED: 0.881313
                 SCI_SPACE: 0.936548
    SOC_RELIGION_CHRISTIAN: 0.937186
        TALK_POLITICS_GUNS: 0.934066
     TALK_POLITICS_MIDEAST: 0.914894
        TALK_POLITICS_MISC: 0.616129
        TALK_RELIGION_MISC: 0.677291

Accuracy: 0.866171

86.6%でした。