成蹊2019/日本語日本文学のためのコンピュータ の履歴(No.17)

• 履歴一覧
• 差分 を表示
• 現在との差分 を表示
• ソース を表示
• 成蹊2019/日本語日本文学のためのコンピュータ へ行く。
  • 1 (2019-09-27 (金) 08:51:31)
  • 2 (2019-09-27 (金) 08:52:53)
  • 3 (2019-10-04 (金) 09:12:34)
  • 4 (2019-10-11 (金) 18:03:17)
  • 5 (2019-10-18 (金) 03:01:13)
  • 6 (2019-10-25 (金) 19:51:15)
  • 7 (2019-11-01 (金) 01:58:10)
  • 8 (2019-11-01 (金) 21:11:47)
  • 9 (2019-11-15 (金) 08:10:13)
  • 10 (2019-11-15 (金) 21:03:01)
  • 11 (2019-11-29 (金) 20:57:25)
  • 12 (2019-11-29 (金) 20:58:21)
  • 13 (2019-11-30 (土) 16:42:02)
  • 14 (2019-12-06 (金) 13:49:41)
  • 15 (2019-12-13 (金) 09:43:15)
  • 16 (2019-12-20 (金) 10:54:58)
  • 17 (2019-12-21 (土) 13:52:51)
  • 18 (2020-01-09 (木) 19:23:30)
  • 19 (2020-01-17 (金) 18:11:18)

---

成蹊2019

期末レポートについて†

• 締切：1月31日（金）
• 提出先：成蹊PORTALまたはメールで提出
• 分量：A4用紙で3～10枚
  • メールで送る場合はメール本文と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

2019/12/21（補講）　レポートテーマの選定と調査†

レポートテーマの選定と調査†

• 各自のレポートテーマ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。

• テーマとする語について、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。
• 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）

ライトニングトークに向けたスライド作成†

• 次回（1月10日）発表

調整頻度の計算†

• 粗頻度を総語数で割る
  • レジスターごとの語数データ：中納言ページの「語数について」からExcelでダウンロードできる
    • 語数ファイルをピボットテーブルで集計して分母に

• 調整頻度には100万語あたりの頻度（pmw）が比較的よく使われる
  • 粗頻度/コーパス総語数*1000000
    • 数字が小さくなりすぎないようにするため

• ※割合の違いを比較するだけなら調整頻度を出す必要はない。
• ※ひまわりの検索結果でも同じことだが、その場合は語数の代わりに文字数で代用する。

2019/12/20　CHJ中納言の使い方†

レポートテーマ予備調査結果発表（ライトニングトーク）について†

• 1月10日
• 一人数分、スライド数枚で発表

「中納言」の利用：形態論情報を使った検索†

• 配布資料「『中納言』の使い方」
  • CoursePower参照

• コーパス検索アプリケーション「中納言」

形態論情報を使った検索†

• まずは文字列検索で確認する

品詞体系と見出し語の階層†

• BCCWJ,CHJはUniDicの品詞体系にもとづく

• 授業資料/UniDicの品詞体系
• 授業資料/UniDicの見出し語階層

「中納言」検索結果のダウンロードとExcelでの利用†

1. ダウンロード
2. Excelでインポート

2019/12/13　Himawari+Excelの復習 / 中納言†

レポートテーマの確認(1)†

• 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。

Himawari+Excelの復習†

• 例：「～的な」「～的の」
  • 二字漢語＋的な／の　の通時的変化

「中納言」の紹介†

2019/12/06　検索結果のExcelによる集計(2)†

• 必ずHimawariを入れたUSBメモリを持ってくること

課題（復習）†

• Course Powerレポート：Himawari検索＆Excelピボットテーブル課題 授業時に作成したHimawari＋青空文庫パッケージを使って、「心持」と「気持」を検索し、検索結果にExcel上で作家の生年代を付与したうえで、ピボットテーブルで集計して、生年代別に「心持」「気持」の用例数を示す表と使用割合を示すグラフを作成しなさい。作成したピボットテーブル・グラフを含むExcelファイルを提出すること。

分類用の列を作って集計する†

• 入力用の列を作り手作業で意味分類する
  • 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

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ひまわり、中納言、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

2019/11/29　検索結果のExcelによる集計†

Excelの基本操作（再）†

• 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

ひまわり検索結果をExcelで扱う†

• ピボットテーブルとピボットグラフ
  • 例：「それきり」「それぎり」
    • sorekiri.xlsx

生年代による集計（通時的変化）†

• 文字列処理関数の利用
  • 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

• 生年月日データの書式について
  • 「青空文庫」の生年月日が書式の自動変換でおかしくなるのを防ぐ
    • 1900年以前の年月日は文字列、それ以降は日付として認識される

1. Himawariで「すべて選択」後、「すべて選択」「コピー（列名含む）」をする
2. Excelで生年月日の列が貼り付けられることになる列（NとO）を丸ごと選択し、書式を「文字列」とする
3. Excelに貼り付ける

2019/11/22　（欅祭で休み）　†

2019/11/15　全文検索システム「ひまわり」†

正規表現小テスト†

「ひまわり」とその使い方†

• ひまわりの動作確認
• 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）
• ふりがなの検索

ひまわり検索結果をExcelで扱う†

• 例：
  • 「気持ち」「心持ち」

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

2019/11/8休講†

2019/10/31　やや高度な正規表現（復習）／全文検索システム「ひまわり」の導入†

• 補講について
  • 予定：12月21日(土)

検索文字列の中での後方参照（復習）†

• 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
  • (..)\1\1
  • (...)\1

• （参考）タグ付き正規表現の応用：grepと置換でKWICを作る

振り仮名の修正†

• 授業資料/タグつき正規表現
• 参考資料：https://www.aozora.gr.jp/cards/000879/card16.html#download

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

「青空文庫パッケージ」のインストール†

1. 青空文庫パッケージのダウンロード
   1. ひまわり用「青空文庫」パッケージのダウンロードページから「青空文庫パッケージ」をUSBメモリに直接ダウンロードして保存（サイズが大きいのでPCにダウンロードできない）
2. USBメモリにコピーしたフォルダ内のhimawari.exeを起動
   1. Himawari画面上にダウンロードしたzipファイルをドラッグ＆ドロップ*1
   2. しばらく待つと完了（数分から10分程度はかかる）
3. 要らなくなったUSBメモリ上の青空文庫パッケージzipファイルは不要なので削除する

2019/10/26（土）の金曜日不足分授業日は休講†

2019/10/25　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†

• 文字クラス
  • 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
  • カタカナ（外来語）の形容動詞語幹
• 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。
  • 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
  • (..)\1\1
  • (...)\1

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)

2019/10/18　(四大戦で休み)†

2019/10/11　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

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

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）
  • 特殊な文字（メタ文字）はすべて半角

• 授業資料/正規表現
  • 文字クラス [ ]
  • 文字クラスの補集合（それ以外の文字）[^ ]

2019/10/04　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（なるべく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

• 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

2019/09/27†

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

• 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：Web茶まめ

• シラバス確認
  • シラバス（PDF）
  • 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†

• アンケート

2019/09/20†

• 初回ですが，海外出張のため休講です。