【無料】計量史料学入門 第5回 KH Coderで二字以上の語を強制抽出する方法―「和」「尚」を「和尚」にする―

 「よーし、早速、わたしの推し僧侶の道昭の伝記をテキストマイニングするぞー！　道昭はすごいんですよ！　あの三蔵法師の玄奘に気に入られて不思議な鍋とかもらってるんですよ！」
　なにをかくそう、私は古代僧侶箱推し勢なのですよ、ふふん。

「そうなんだ。ガッコちゃん、渋い趣味だね」と笑顔をみせるKH Coderくん。ちょっと変わった趣味嗜好でも、KH Coderくんはバカにしたり変人扱いせずに、ちゃんと受け止めてくれる。うーん、人間ができてるなあ。

「さてと、MeCabで前処理をして、抽出語を確認してっと……」
　ここで、わたしは、びっくりぎょうてん！
「大変です、KH Coderくん！「和尚」が「和」と「尚」に分かれちゃってます！」
「うん、前回MeCabを一字ずつ未知語として検出する設定にしたからね。でも大丈夫。強制抽出する語の設定で、「和尚」を強制抽出すればいいんだよ」
「わーい、よかった！　教えてください！」

今回は、基本的な内容なので、無料でお送りします。

道昭伝のテキストマイニング

まずは、『続日本紀』の道昭伝をExcelに入力します。

次に、KH CoderでこのExcelファイルを読み込みます。
プロジェクト→新規をクリック。

分析対象ファイルのところの参照をクリックして、道昭伝のExcelファイルを選択します。

次に、前処理→前処理の実行をクリック。

前処理が終わったら、ツール→抽出語→抽出語リストを確認すると、

このように、一位「尚」、二位「和」というように、「和尚」が分裂してしまっています。

共起ネットワークを確認すると、

「和」と「尚」が共起するという当たり前の図になってしまいます。

「和尚」を強制抽出！

強制抽出する語の設定で、和尚を強制抽出しましょう。
前処理→語の取捨選択をクリックします。

強制抽出する語の指定の枠に「和尚」と入力します。

これで、もう一度、前処理をします。
前処理終了後、抽出語リストを確認すると、

このように「タグ」として、「和尚」が抽出されます。

古代の漢文を分析するときは、このように必要に応じて、二字以上の語を強制抽出していくのが、シンプルでわかりやすいと考えています。

次回予告！いよいよ共起ネットワーク！

次回、計量史料学入門
第6回「共起ネットワークの作り方―和尚と共起する語は何？―」
お楽しみに。