docker-termextract

専門用語（キーワード）自動抽出用Perlモジュール"TermExtract"をさらに簡単に使うためのDockerイメージを作成するDockerfileです。

元は前田朗氏が作成されていたdocker-termextractです。

変更点は下記です。

• 大量の文書を一気に処理できるように、I/Oをjsonにしている
• Web新語に強いmecab-ipadic-neologdを利用している

TermExtractについてはこのページを参照してください。

• "TermExtract"のCOPYRIGHT 東京大学・中川裕志教授、横浜国立大学・森辰則助教授が 作成した「専門用語自動抽出システム」のExtract.pm を参考に、中川教授の 教示を受け、東京大学経済学部・前田朗が全面的に組みなおしたもの。(敬省略)

このDockerfileでは、以下の環境のコンテナが構築されます。

項目	バージョン	備考
CentOS	7	ja_JP.UTF-8
perl	5.16.3	yum base
python	2.7
MeCab	0.996	--enable-utf8-only
MeCab IPAdic	2.7.0-20070801	--with-charset=utf8
MeCab IPAdic model	2.7.0-20070801
Mecab IPAdic neologd	最新バージョンが随時適用
Mecab python	0.996
MeCab perl	0.996
TermExtract	4_10

イメージ構築

% git@github.com:Kensuke-Mitsuzawa/docker-termExtract-jsonIO.git
% mkdir /var/lib/termextract
% docker build -t termextract-json-io .

mkdir /var/lib/termextractはdockerコンテナと共有のディレクトリを作成しているだけです。

他の共有ディレクトリを使う場合は実行の必要ありません。

使い方

json fileの用意

"inputArray"というキーに対して、Arrayを置きます。

Arrayの中には１要素=１文で記述してください。

下記、例です。

{
    "inputArray": [
        "オットー・エドゥアルト・レオポルト・フュルスト（侯爵）・フォン・ビスマルク＝シェーンハウゼン（独: Otto Eduard Leopold Fürst von Bismarck-Schönhausen, 1815年4月1日 - 1898年7月30日）は、プロイセン及びドイツの政治家、貴族。プロイセン王国首相（在職1862年-1890年）、北ドイツ連邦首相（在職1867年-1871年）、ドイツ帝国首相（在職1871年-1890年）を歴任した。ドイツ統一の中心人物であり、「鉄血宰相（独: Eiserner Kanzler）」の異名を取る。",
        "アーヤトッラー・ルーホッラー・ホメイニー（آیت‌الله روح‌الله خمینی, Āyatollāh Rūhollāh Khomeinī, 1902年9月24日 - 1989年6月3日）は、イランにおけるシーア派の十二イマーム派の精神的指導者であり、政治家、法学者。1979年にパフラヴィー皇帝を国外に追放し、イスラム共和制政体を成立させたイラン革命の指導者で、以後は新生「イラン・イスラム共和国」の元首である最高指導者（師）として、同国を精神面から指導した。",
        "ホメイニーは、1902年にイラン中部のホメインの町でシーア派第7代イマーム、ムーサーの子孫を称するサイイド（預言者ムハンマドの直系子孫）の家系に生まれ、当初の名をルーホッラー・ムーサーヴィーといった。のちに「ホメイン出身の者」を意味するホメイニーを名乗る。",
        "希志 あいの（きし あいの、1988年2月1日 - ）は、日本のAV女優‎。元グラビアアイドル。東京都出身[1]、Duoエンターテイメント所属。実妹は元タレントの紗希せりか[2]。",
        "明日花 キララ（あすか キララ、1988年10月2日[1][2] - ）は、日本のAV女優。Diaz Planners所属。",
        "上原 亜衣（うえはら あい、1992年11月12日 - ）は、日本のAV女優。福岡県出身[3]、マインズ（mine's） 所属。",
        "スカウトをきっかけに2011年にAVデビュー[4]。「上原亜衣」という芸名は、当人が上原多香子と加藤あいに似ていることから所属事務所の社長が名付けた[5]。キャラは、天然で愛されキャラ[6]。特技は、軟体[1]。公式ブログの読者のことを「teamあいちん」と呼んでいる[7]。初体験は中学3年の夏に同級生の彼氏と彼氏の家で[8]。2013年12月1日に、AAK第4期生に選ばれ、「赤・青・黄」投票サイトで1位となった。DMMの2013年年間AV女優ランキングで1位となっている[9]2014年4月には、DMMアワード2014において最優秀女優賞プラチナを受賞した。2014年7月、セガのゲーム「龍が如く」のキャラクター出演をかけたセクシー女優人気投票にエントリー。[10][11][12] 2014年8月24日、結果発表。161,887票を集め3位に、「龍が如く」最新作への出演権を獲得した。[13]"
    ]
}

コンテナ起動

イメージからコンテナを起動します。

% docker run --name termextract-json-io -v /var/lib/termextract:/var/lib/termextract -i -t -d termextract-json-io /bin/bash

--nameはコンテナに名前をつけるオプション

-v はホストとコンテナの共有ディレクトリを設定するオプション

-i -t termextract-json-io で起動するイメージを指定しています。

ここでは-dもつけてバックグラウンド実行にしました。

コンテナ呼び出し

inputのjsonをcatコマンドで開いて、コンテナに送ります。

コンテナの/analysis_code/docker_main.pyがjson文字列を受け取って処理をしてくれます。

% cat dockerfiles/resources/input.json |\
docker exec -i termextract-json-io python2.7 /analysis_code/docker_main.py

形態素解析された結果が標準出力のJson文字列で返却されます。

[
    {
        "analyzed": [
            [
                "形態素",
                [
                    "品詞素性1",
                    "品詞素性2",
                    "品詞素性3"
                ]
            ]
        ],
        "original": "入力文"
    }
]

という構造です。

解析結果をそのままファイルに出力したい場合はリダイレクトしてください。

% cat dockerfiles/resources/input.json | sudo docker exec -i termextract-json-io python2.7 /analysis_code/docker_main.py > dockerfiles/resources/analyzed_result.json

dockerfiles/resources/に入力サンプルinput.jsonと出力サンプルanalyzed_result.jsonがあるので、参考にしてください。

コンテナ内部の処理について

TermExtractのラッパーにすぎないので大した処理をしていません。

• 1 termextractの呼び出し
• 2 termextractの結果でMecab辞書(Mecabユーザー辞書)の作成
• 3 作成した辞書で形態素解析

その他

• termextractはオプション番号1(専門用語+スコア出力)で呼び出しをしています
• 各専門用語にはスコアが付与されています。一定のスコア以下の専門用語をユーザー辞書に載せず切り捨てをしています。
  • 切り捨て閾値の設定は./dockerfiles/settings/dockerProcess.iniのthresholdの部分で行ってください。デフォルトは2.0です。

Author

Kensuke Mitsuzawa (kensuke.mit あっとまーく gmail.com)

License

Public domain. You can copy and modify this project freely.