Node.jsでmecab-unidic-NEologdを使う

最近、ボットに漢字を含む日本語の「読み」を解析させて遊んでいます。

前回の記事でmecab-ipadic-NEologdを使いましたが、今回は元となる辞書にipadicではなくunidicを利用しているmecab-unidic-NEologdを使ってみたので、その際のメモです。

まだ触ってみた感触だけですが、unidic版のNEologdのほうが「読み」を正しく解析できる場合が多いように思います。

mecab-unidic-NEologdの導入

mecab-unidic-NEologdを導入するために、まずはmecabとmecab-unidicをシステムに導入します。

手順については、mecab-unidic-NEologdのREADMEに詳しく書いてありますので、ここでは、OSXの場合の手順を抜粋しておきます。

# mecabとmecab-unidicと関連ツールをbrewでインストール
$ brew install mecab mecab-unidic git curl xz

# mecab-unidic-NEologdをgithubからクローン
$ git clone --depth 1 https://github.com/neologd/mecab-unidic-neologd.git

# mecab-ipadic-NEologdのインストールor更新
$ cd mecab-unidic-neologd
$ ./bin/install-mecab-unidic-neologd -n
# 途中でインストール可否を yes/no で聞かれます

以上で導入が完了です。

コマンドラインから使ってみる

まずはmecabをコマンドラインから使ってみます。
コマンドに引数でmecab-unidic-NEologdのパスを渡すことで利用する辞書を変更できます。

# mecabの辞書のパスを確認
$ mecab-config --dicdir
/usr/local/Cellar/mecab/0.996/lib/mecab/dic

# さらにNEologdのディレクトリを確認
$ ls /usr/local/Cellar/mecab/0.996/lib/mecab/dic
ipadic               mecab-ipadic-neologd mecab-unidic-neologd unidic

# 辞書を指定してmecabを実行
$ mecab -d /usr/local/Cellar/mecab/0.996/lib/mecab/dic/mecab-unidic-neologd
金曜日のスマたちへ
金曜日のスマたちへ   キンヨウビノスマタチヘ キンヨウビノスマタチヘ 金曜日のスマたちへ   名詞-固有名詞-一般
EOS

Node.jsから利用

次に、Node.jsから辞書を指定してmecabを使うためにmecab-asyncをnpmでカレントディレクトリに導入します。

$ npm install mecab-async

次に、同じディレクトリに以下のunidic-neologd-test.coffeeを作ります。

Mecab = require 'mecab-async'
mecab = new Mecab()

Mecab.command = "mecab -d /usr/local/Cellar/mecab/0.996/lib/mecab/dic/mecab-unidic-neologd"

mecab.parse process.argv[2], (err, result) ->
  console.log result

  readings = []
  for token in result
    readings.push(token[1].split('\t')[0])
  console.log readings

hubotでの利用を見据えて、CoffeeScriptで実装してみました。
コマンド引数で形態素解析したい文字列を指定できます。
7行目で形態素解析の結果を、12行目で解析結果をもとに文字列の読みを出力します。

実行

前記のソースをCoffeeScriptで実行すればmecab-unidic-NEologdによる形態素解析の結果を確認できます。

NEologdの問題ではなく、mecab-ipadicとmecab-unidicの違いかと思いますが、例えば「神々」という漢字の読みが、ipadicではただしく読めていないですが、unidicの場合は読めています。

mecab-ipadic-NEologdの場合

coffee neologd-test.coffee 神々に対する総称
[ [ '神', '名詞', '一般', '*', '*', '*', '*', '神', 'カミ', 'カミ' ],
  [ '々', '記号', '一般', '*', '*', '*', '*', '々', '々', '々' ],
  [ 'に対する', '助詞', '格助詞', '連語', '*', '*', '*', 'に対する', 'ニタイスル', 'ニタイスル' ],
  [ '総称', '名詞', 'サ変接続', '*', '*', '*', '*', '総称', 'ソウショウ', 'ソーショー' ] ]
[ 'カミ', '々', 'ニタイスル', 'ソウショウ' ]

神々の”がみ”が読めていません。

mecab-unidic-NEologdの場合

$ coffee unidic-neologd-test.coffee 神々に対する総称
[ [ '神々', 'カミガミtカミガミt神々t名詞-普通名詞-一般tt' ],
  [ 'に', 'ニtニtにt助詞-格助詞tt' ],
  [ '対する', 'タイスルtタイスルt対するt動詞-一般tサ行変格t連体形-一般' ],
  [ '総称', 'ソーショーtソウショウt総称t名詞-普通名詞-サ変可能tt' ] ]
[ 'カミガミ', 'ニ', 'タイスル', 'ソーショー' ]

こちらは正しく読めています。

slackでボットを使って漢字混じりのメッセージの読みを取得する実験をしているのですが、
しばらくこのunidic版NEologdを使って試してみようと思っています。

スポンサーリンク
レクタングル(大)

シェアする

  • このエントリーをはてなブックマークに追加

フォローする

スポンサーリンク
レクタングル(大)