成蹊2014/日本語日本文学のためのコンピュータ

成蹊2014

• 日本語・日本文学を学んでいくうえでぜひ身につけておきたいコンピュータに関する知識・技術を学びます。
• 前期2限
• ogiso＠ogiso.net　←＠を@に直してください

期末レポートについて

• 締切：8月1日（金）
• 提出先：メールで直接送付（必ず返信を確認すること）
• 分量：A4用紙で3～10枚
• メール・Wordファイルの両方に氏名・学籍番号を明記すること
  • Wordファイルのサイズが大きくなりすぎる場合には、PDFファイルとして保存して送ってください

2014/07/18　最終回

• レポート完成に向けて作業を進めながら積極的に質問してください。

2014/07/11　休講　

2014/07/04　

Wordでレポートを書く

• 文書の構造化*
  • スタイルと見出し
  • ナビゲーション ウィンドウ（見出しマップ）の使い方
  • 章・節番号
• 図表の貼り込み*
  • 「形式を選択して貼り付け」
  • 図表番号とキャプション
• 脚注
  • 脚注と文末脚注
• 相互参照
  • 節番号、図表番号と相互参照
  • 目次、図表目次

レポート作成と質問

• レポート完成に向けて作業を進めながら積極的に質問してください。

2014/06/27

ツールの利用

• 形態素解析
  • リンク：形態素解析ウェブアプリUniDic-MeCab（複合名詞判定ver付き）
  • 授業用UniDic+MeCabパッケージ
    • ダウンロード https://dl.dropboxusercontent.com/u/134600/portable-unidic-mecab.zip

ひまわり補足

• 振り仮名の検索

BCCWJ少納言

• 1億語の「現代日本語書き言葉均衡コーパス」の文字列検索
• http://www.kotonoha.gr.jp/shonagon/

レポートテーマに関する調査

• 各自のレポートテーマ（先週のものから変えても可）について調査してください。
• 個別に見て回ります。積極的に質問してください。

• 注意
  • パソコン・ネットだけでは十分な調査はできません。図書館を利用してください。（参考文献は明記すること）
  • 最低限『日本国語大辞典』等のしっかりした辞典にあたっておくこと。

2014/06/20　Excelを使った集計（2）

レポートテーマについて

• 青空文庫以外のデータ

（復習）青空文庫・年代別の用例集計

• 「青空文庫」データの作品ごとに書式が不揃いな生年月日が日付への自動変換でおかしくなるのを防ぐ

1. 生年月日の列を丸ごとコピーし、サクラエディタに貼り付けておく
2. 生年月日の列を丸ごと選択し、書式を「文字列」とする
3. サクラエディタで、内容を「すべて選択」後、「すべてコピー」する
4. Excelで生年月日の列を丸ごと選択したまま、「貼り付け」する
   • 「クリップボードに保存されているデータの大きさや形が、指定された領域と異なります。」という警告は気にしない

ひまわりの検索結果をピボットテーブルで集計（続き）

• 分類用のフィールドを作って集計する
  • 例：「新聞紙」の意味・用法の変化

• サンプリング調査
  • 大量に用例があり、調査内容からすべて対象にできない場合
  • ランダムに並べ替え→先頭n例を調査対象に
    • ランダムな数字の列： =rand()
    • ランダムな数字の列をコピーして値として貼り付けると数字が固定される

2014/06/13　Excelを使った集計

• （復習）ピボットテーブル
  • 「～的の」「～的な」
  • 「気持ち」「心持ち」

「青空文庫」の生年月日データの修正

• 「青空文庫」データの作品ごとに書式が不揃いな生年月日が日付への自動変換でおかしくなるのを防ぐ

1. 生年月日の列を丸ごとコピーし、サクラエディタに貼り付けておく
2. 生年月日の列を丸ごと選択し、書式を「文字列」とする
3. サクラエディタで、内容を「すべて選択」後、「すべてコピー」する
4. Excelで生年月日の列を丸ごと選択したまま、「貼り付け」する
   • 「クリップボードに保存されているデータの大きさや形が、指定された領域と異なります。」という警告は気にしない

関数の利用

• 文字列処理関数
  • 例： =left(<文字列>,<文字数>)
    • 生年代： =left(<生年月日が入っているセル>,3)*10

ひまわりで利用可能なデータについて†

• 現代語のデータ
  • 国会会議録データ
  • 法令データベース
  • 口コミサイト
• 近代語のデータ
  • 太陽コーパス
  • 近代女性雑誌コーパス
  • 明六雑誌コーパス
  • 国定高等小学読本
• 古典文学作品のデータ

レポートについて

• レポートテーマ確認（第１回）来週

2014/06/06　ひまわりとExcel

ひまわり検索結果をExcelで扱う†

• 列名

  前文脈

  キー

  後文脈

  作品名

  副題

  著者

  役割

  初出

  分類番号

  文字遣い

  作品ID

  人物ID

  生年月日

  没年月日

  文字数

Excelの基本操作

• 並べ替え（ソート）
• フィルター（絞り込み）
  • テキストフィルター
  • 多重フィルター（複数の条件指定）
• ピボットテーブル★
  • ピボットグラフ

レポートテーマについて(予告)†

• 授業で紹介したエディタや表計算ソフトの使い方を活かして、たとえば次のようなテーマでレポートをまとめてもらいます。データは授業で配布・紹介したものを自由に利用してください。
  • 例：作家ごとの言葉の使い方の違い
  • 例：類義語の意味の違い
  • 例：語の用法の変化
  • 例：語形・（表記）のゆれ
  • などなど

2014/05/24(土)金曜授業日:休講

• 休講です。

2014/05/23

前回小テスト解説

• 配付資料（解答例）

「ひまわり」とその使い方

• ひまわり（前回配布）の動作確認
• 検索方法の説明
  • ひまわりの正規表現について（授業資料/Himawariの正規表現）

2014/5/16　正規表現小テスト ／ 全文検索システム「ひまわり」

全文検索システム「ひまわり」について

• 全文検索システム「ひまわり」
  • ただのテキストファイル（プレーンテキスト）ではなく、XML形式にして、インデックスを付けた専用のデータを利用

• ひまわり のダウンロードページ　プログラム本体
• ひまわり用「青空文庫」パッケージのダウンロードページ　検索対象のデータセット

「ひまわり」の導入

• 動作確認

正規表現小テスト

• テスト前にsoseki2.zipを検索可能にしておくこと

2014/5/9　やや高度な正規表現

復習

• カタカナ（外来語）の形容動詞語幹
• 「もし～なら（ば）」

タグ付き正規表現

• 走[らりるれろ] でgrepした結果を置換するにはどうしたらいいか
  • 次のように置換するととんでもないことに…
    • 検索文字列：走[らりるれろっ]
    • 置換文字列：★走[らりるれろっ]
• タグ付き正規表現・カッコ（半角丸カッコ）と\1（\2，\3…）を使う
• 授業資料/タグつき正規表現

検索文字列の中での後方参照†

• 検索語の中で\1を使う
  • (..)\1 「ころころ」「毎日毎日」など二文字の繰り返しにマッチ
  • (.ろ)\1 「ころころ」「どろどろ」「へろへろ」などにマッチ

最長一致の原則（greedy matching）†

• 正規表現は、パターンが一致する最も長い範囲にマッチする
  • 例：あ+ → 【\1】
    • ああああああああ →　【ああああああああ】 そのせいで…
  • 例：「(.+)」 → 【\1】
    • 「こんにちは」「さようなら」 →　【こんにちは」「さようなら】
  • 括弧の組ごとに置換するためには「([^」]+)」 → 【\1】　のように書かなければならない
    • 「こんにちは」「さようなら」 →　【こんにちは】【さようなら】
• よりかんたんに指定するには（最短一致，ものぐさ指定）
  • 「(.+?)」「(.*?)」のように、繰り返し指定の+*の後に「?」をつける

正規表現に関する参考資料†

• サクラエディタの正規表現：http://sakura-editor.sourceforge.net/htmlhelp/HLP000089.html
• 正規表現に関する本　amazonで検索

#amazon(4873114500) #amazon(4873113598)

• （参考）タグ付き正規表現の応用：grepと置換でKWICを作る

2014/5/2　正規表現

• 今日の練習用テキストデータ
  • soseki2.zip （前回と同じもの）

テキストエディタ・正規表現（文字クラス）の復習

• 検索で初出行を調べる
  • 2番目の行
• 置換で用例数を数える
• grepとタグジャンプ
• 正規表現を使ってみる
  • キャラクタクラス
    • 例：読[まみむめもん]

正規表現のいろいろ†

• 授業資料/正規表現
  • 文字クラス [ ]
  • 文字クラスの否定（補集合）[^ ]
  • 繰り返し ? + *
  • グループ化 ()
  • or（論理和） |
  • 文頭 ^、文末 $

正規表現の応用†

• カタカナ語
• 送りがなの揺れ（行う／行なう）
• 会話文中（"「"で始まる文中）の用例を検索する
• 同一文中での共起 全然～ない。

2014/4/25　　テキストエディタの利用

• 今回からUSBメモリを利用します。

---

• テキストデータ（青空文庫）の配布
  • soseki2.zip （今日の授業で使います）
  • aozoradoc2.zip（青空文庫全テキスト・参考）
  • ダウンロードしてUSBメモリに展開（解凍）してください

• 検索・置換、grep
  • 検索で初出行を調べる
  • 置換で用例数を数える
  • grepで用例リストを作る
  • タグジャンプで文脈を確認する
  • サブフォルダのgrep

ショートカットキー†

• 授業資料/覚えておきたいショートカットキー

正規表現を使ってみる†

• 文字クラス
  • 例：読[まみむめもん]
    • 半角ブラケットの中に文字を並べる→並べた文字いずれか1文字

正規表現とは†

• 正規表現　＞用語
  • 文字を表すための特殊な文字（メタ文字）を使って文字列のパターンを表現する
  • エディタでは置換・検索・grepで利用できる　（エディタ以外にもさまざまなアプリケ－ションやコンピュータ言語で利用されている）
  • 記号はすべて半角
  • 記号そのものを表す場合には\でエスケープする（特殊な意味を打ち消す）　例：1\+2

• 文字クラス [ ]
  • 文字クラスの補集合（それ以外の文字）[^ ]

grepと置換でKWIC(CSVファイル)を作る（簡易版）†

• CSVファイルとは：テキストファイルで表を表現する 用語：CSVファイル
• KWIC：KeyWord In Context

2014/4/18　テキストデータとテキストエディタ

• USBメモリの準備
  • 次回の授業からUSBメモリを使います。2GB（できれば4GB）以上の空きのあるUSBメモリを用意してください。

テキストデータ

• すべての基本、文字が並ぶだけのデータ
  • 授業資料/テキストデータとは
  • バイナリファイルとテキストファイル
• TXT,CSV,HTM・・・
  • ファイルの種類と拡張子 参考：拡張子辞典
  • 拡張子(wikipedia)

• 授業で使うテキストデータ
  • 授業資料/テキストデータ紹介

テキストエディタ†

• テキストエディタとはどんなものか
  • 授業資料/テキストエディタ

• サクラエディタのダウンロードとインストール
  • サクラエディタのダウンロード:sakura2.zip
    • (参考) サクラエディタホームページ：http://sourceforge.net/projects/sakura-editor/

• zipファイルの展開（解凍）
  • 解凍しないままでも開けるが必ず解凍すること

• テキストエディタの設定
  • 行の折り返し
  • 行番号表示
    • スタイル行番号（ワープロ的行番号）と論理行番号（エディタ的行番号）

• 練習用サンプルデータ（漱石＋芥川）
  • sample.zip

2014/4/11　イントロダクション

• 自己紹介
  • 大学共同利用機関法人人間文化研究機構 国立国語研究所 http://www.ninjal.ac.jp/
    • コーパス開発センター
    • 日本語コーパスKOTONOHA
    • 現代日本語書き言葉均衡コーパス少納言

• デモ
  • テキストエディタとgrep
  • 全文検索システムひまわり
  • Excel（ピボットテーブル）
  • 形態素解析：茶まめ／MeCab+UniDic

• シラバス確認
  • シラバス
  • この授業の目的
  • 授業の進め方
  • 評価方法

授業で利用する主なソフトウェア†

最新の10件