mirror of
https://git.joinsharkey.org/Sharkey/Sharkey.git
synced 2024-12-24 05:33:08 +02:00
✌️
This commit is contained in:
syuilo
parent
af0dd26224
commit
1e3f93d68e
3 changed files with 135 additions and 13 deletions
|
|
@ -1,8 +1,7 @@
|
|||
const bayes = require('./naive-bayes.js');
|
||||
const MeCab = require('mecab-async');
|
||||
|
||||
const MeCab = require('./mecab');
|
||||
import Post from '../../api/models/post';
|
||||
import config from '../../conf';
|
||||
|
||||
/**
|
||||
* 投稿を学習したり与えられた投稿のカテゴリを予測します
|
||||
|
|
@ -13,7 +12,6 @@ export default class Categorizer {
|
|||
|
||||
constructor() {
|
||||
this.mecab = new MeCab();
|
||||
if (config.categorizer.mecab_command) this.mecab.command = config.categorizer.mecab_command;
|
||||
|
||||
// BIND -----------------------------------
|
||||
this.tokenizer = this.tokenizer.bind(this);
|
||||
|
|
|
|||
|
|
@ -1,18 +1,56 @@
|
|||
const MeCab = require('mecab-async');
|
||||
|
||||
const MeCab = require('./mecab');
|
||||
import Post from '../../api/models/post';
|
||||
import User from '../../api/models/user';
|
||||
import config from '../../conf';
|
||||
import parse from '../../api/common/text';
|
||||
|
||||
const stopwords = [
|
||||
'ー',
|
||||
|
||||
'の', 'に', 'は', 'を', 'た', 'が', 'で', 'て', 'と', 'し', 'れ', 'さ',
|
||||
'ある', 'いる', 'も', 'する', 'から', 'な', 'こと', 'として', 'い', 'や', 'れる',
|
||||
'など', 'なっ', 'ない', 'この', 'ため', 'その', 'あっ', 'よう', 'また', 'もの',
|
||||
'という', 'あり', 'まで', 'られ', 'なる', 'へ', 'か', 'だ', 'これ', 'によって',
|
||||
'により', 'おり', 'より', 'による', 'ず', 'なり', 'られる', 'において', 'ば', 'なかっ',
|
||||
'なく', 'しかし', 'について', 'せ', 'だっ', 'その後', 'できる', 'それ', 'う', 'ので',
|
||||
'なお', 'のみ', 'でき', 'き', 'つ', 'における', 'および', 'いう', 'さらに', 'でも',
|
||||
'ら', 'たり', 'その他', 'に関する', 'たち', 'ます', 'ん', 'なら', 'に対して', '特に',
|
||||
'せる', '及び', 'これら', 'とき', 'では', 'にて', 'ほか', 'ながら', 'うち', 'そして',
|
||||
'とともに', 'ただし', 'かつて', 'それぞれ', 'または', 'お', 'ほど', 'ものの', 'に対する',
|
||||
'ほとんど', 'と共に', 'といった', 'です', 'とも', 'ところ', 'ここ', '感じ', '気持ち',
|
||||
|
||||
'about', 'after', 'all', 'also', 'am', 'an', 'and', 'another', 'any', 'are', 'as', 'at', 'be',
|
||||
'because', 'been', 'before', 'being', 'between', 'both', 'but', 'by', 'came', 'can',
|
||||
'come', 'could', 'did', 'do', 'each', 'for', 'from', 'get', 'got', 'has', 'had',
|
||||
'he', 'have', 'her', 'here', 'him', 'himself', 'his', 'how', 'if', 'in', 'into',
|
||||
'is', 'it', 'like', 'make', 'many', 'me', 'might', 'more', 'most', 'much', 'must',
|
||||
'my', 'never', 'now', 'of', 'on', 'only', 'or', 'other', 'our', 'out', 'over',
|
||||
'said', 'same', 'see', 'should', 'since', 'some', 'still', 'such', 'take', 'than',
|
||||
'that', 'the', 'their', 'them', 'then', 'there', 'these', 'they', 'this', 'those',
|
||||
'through', 'to', 'too', 'under', 'up', 'very', 'was', 'way', 'we', 'well', 'were',
|
||||
'what', 'where', 'which', 'while', 'who', 'with', 'would', 'you', 'your', 'a', 'i'
|
||||
];
|
||||
|
||||
const mecab = new MeCab();
|
||||
if (config.analysis.mecab_command) mecab.command = config.analysis.mecab_command;
|
||||
|
||||
function tokenize(text: string) {
|
||||
const tokens = mecab.parseSync(text)
|
||||
if (text == null) return [];
|
||||
|
||||
// パース
|
||||
const ast = parse(text);
|
||||
|
||||
const plain = ast
|
||||
// テキストのみ(URLなどを除外するという意)
|
||||
.filter(t => t.type == 'text' || t.type == 'bold')
|
||||
.map(t => t.content)
|
||||
.join('');
|
||||
|
||||
const tokens = mecab.parseSync(plain)
|
||||
// キーワードのみ
|
||||
.filter(token => token[1] == '名詞' && (token[2] == '固有名詞' || token[2] == '一般'))
|
||||
// 取り出し
|
||||
.map(token => token[0]);
|
||||
.map(token => token[0].toLowerCase())
|
||||
// ストップワード
|
||||
.filter(word => stopwords.indexOf(word) === -1 && word.length > 1);
|
||||
|
||||
return tokens;
|
||||
}
|
||||
|
|
@ -36,7 +74,7 @@ User.find({}, {
|
|||
});
|
||||
|
||||
async function extractKeywordsOne(id, cb) {
|
||||
console.log(`extracting keywords of ${id} ...`);
|
||||
process.stdout.write(`extracting keywords of ${id} ...`);
|
||||
|
||||
// Fetch recent posts
|
||||
const recentPosts = await Post.find({
|
||||
|
|
@ -48,7 +86,7 @@ async function extractKeywordsOne(id, cb) {
|
|||
sort: {
|
||||
_id: -1
|
||||
},
|
||||
limit: 1000,
|
||||
limit: 10000,
|
||||
fields: {
|
||||
_id: false,
|
||||
text: true
|
||||
|
|
@ -56,7 +94,8 @@ async function extractKeywordsOne(id, cb) {
|
|||
});
|
||||
|
||||
// 投稿が少なかったら中断
|
||||
if (recentPosts.length < 10) {
|
||||
if (recentPosts.length < 300) {
|
||||
process.stdout.write(' >>> -\n');
|
||||
return cb();
|
||||
}
|
||||
|
||||
|
|
@ -81,7 +120,7 @@ async function extractKeywordsOne(id, cb) {
|
|||
// Lookup top 10 keywords
|
||||
const topKeywords = keywordsSorted.slice(0, 10);
|
||||
|
||||
process.stdout.write(' >>> ' + topKeywords.join(' '));
|
||||
process.stdout.write(' >>> ' + topKeywords.join(', ') + '\n');
|
||||
|
||||
// Save
|
||||
User.update({ _id: id }, {
|
||||
|
|
|
|||
85
src/tools/analysis/mecab.js
Normal file
85
src/tools/analysis/mecab.js
Normal file
|
|
@ -0,0 +1,85 @@
|
|||
// Original source code: https://github.com/hecomi/node-mecab-async
|
||||
// CUSTOMIZED BY SYUILO
|
||||
|
||||
var exec = require('child_process').exec;
|
||||
var execSync = require('child_process').execSync;
|
||||
var sq = require('shell-quote');
|
||||
|
||||
const config = require('../../conf').default;
|
||||
|
||||
// for backward compatibility
|
||||
var MeCab = function() {};
|
||||
|
||||
MeCab.prototype = {
|
||||
command : config.analysis.mecab_command ? config.analysis.mecab_command : 'mecab',
|
||||
_format: function(arrayResult) {
|
||||
var result = [];
|
||||
if (!arrayResult) { return result; }
|
||||
// Reference: http://mecab.googlecode.com/svn/trunk/mecab/doc/index.html
|
||||
// 表層形\t品詞,品詞細分類1,品詞細分類2,品詞細分類3,活用形,活用型,原形,読み,発音
|
||||
arrayResult.forEach(function(parsed) {
|
||||
if (parsed.length <= 8) { return; }
|
||||
result.push({
|
||||
kanji : parsed[0],
|
||||
lexical : parsed[1],
|
||||
compound : parsed[2],
|
||||
compound2 : parsed[3],
|
||||
compound3 : parsed[4],
|
||||
conjugation : parsed[5],
|
||||
inflection : parsed[6],
|
||||
original : parsed[7],
|
||||
reading : parsed[8],
|
||||
pronunciation : parsed[9] || ''
|
||||
});
|
||||
});
|
||||
return result;
|
||||
},
|
||||
_shellCommand : function(str) {
|
||||
return sq.quote(['echo', str]) + ' | ' + this.command;
|
||||
},
|
||||
_parseMeCabResult : function(result) {
|
||||
return result.split('\n').map(function(line) {
|
||||
return line.replace('\t', ',').split(',');
|
||||
});
|
||||
},
|
||||
parse : function(str, callback) {
|
||||
process.nextTick(function() { // for bug
|
||||
exec(MeCab._shellCommand(str), function(err, result) {
|
||||
if (err) { return callback(err); }
|
||||
callback(err, MeCab._parseMeCabResult(result).slice(0,-2));
|
||||
});
|
||||
});
|
||||
},
|
||||
parseSync : function(str) {
|
||||
var result = execSync(MeCab._shellCommand(str));
|
||||
return MeCab._parseMeCabResult(String(result)).slice(0, -2);
|
||||
},
|
||||
parseFormat : function(str, callback) {
|
||||
MeCab.parse(str, function(err, result) {
|
||||
if (err) { return callback(err); }
|
||||
callback(err, MeCab._format(result));
|
||||
});
|
||||
},
|
||||
parseSyncFormat : function(str) {
|
||||
return MeCab._format(MeCab.parseSync(str));
|
||||
},
|
||||
_wakatsu : function(arr) {
|
||||
return arr.map(function(data) { return data[0]; });
|
||||
},
|
||||
wakachi : function(str, callback) {
|
||||
MeCab.parse(str, function(err, arr) {
|
||||
if (err) { return callback(err); }
|
||||
callback(null, MeCab._wakatsu(arr));
|
||||
});
|
||||
},
|
||||
wakachiSync : function(str) {
|
||||
var arr = MeCab.parseSync(str);
|
||||
return MeCab._wakatsu(arr);
|
||||
}
|
||||
};
|
||||
|
||||
for (var x in MeCab.prototype) {
|
||||
MeCab[x] = MeCab.prototype[x];
|
||||
}
|
||||
|
||||
module.exports = MeCab;
|
||||
Loading…
Reference in a new issue