自分の文章の単語を抽出、出現頻度でランキングしてみようと思い立つ。
blogの内容を表す単語を上手く抽出できれば、Blogのメニューにも使えるかもしれない。
■手順
0：y-matsui::Weblogの全コンテンツをテキストで書き出す（1.5MBのテキストファイル）
1：テキストマイニングソフト”BEN-TEN-SAN”に食わせる
2：JSCloudでタグクラウドにする
BENTENSANは数年前にシェアウェアで購入したもの。VBを使っているらしく、恐ろしく遅い。→断念
www.lynks.co.jpってアドレス・・・使えなくなってる。潰れたのかな
次に、BENTENSANに代わる、”フリーで使えるテキストマイニングソフト”を探してみた。
KHCoder
茶筌を使っている。さすが茶筅！品詞分解は完璧だ。出現頻度のCSV出力→Excel表示までしてくれる。まだまだ分からない分析機能がたくさんあるが、これがフリーっていうのは凄い。
※ブログのテキストをUTF-8→S-JISに変換して食わせたら、127文字以上の品詞が云々とエラーが出て強制終了。（T_T;）HTMLのタグとかをきちんと除去しないとダメなのかも・・。
Windows用専門用語（キーワード）自動抽出システム"termex" の解説
以下、KHCoderを使ったテキストマイニング結果
HTMLタグを除去するため、MovableTypeからエクスポートしたmt.txtを、mt.htmlにリネームし、IEで読む。
コピーペーストでテキストエディタに。→s-jisのテキストファイルとして保存。
KHCoderで読み込む。→約2分半で品詞分解完了
■単語出現数ランキング
単語数：44760語
異なり語数：6231語、使用：5620語
＜名詞TOP10＞
音楽 122
エンジン 108
クラッチ 59
ベル 52
自分 48
燃料 48
サウンド 44
バンド 43
動画 42
ギター 38
おー。音楽とラジコン関係だ。エンジン、クラッチベルときたら、トラブル関係だ（笑）
＜サ変名詞TOP10＞
走行 55
購入 40
演奏 36
ジャンプ 34
交換 27
回転 23
機能 22
話 20
ロック 17
調整 17
ラジコン・・・走行しては、（パーツを）購入して・・って言うことらしい。しかもジャンプだ。
・・で故障したから、パーツを交換して・・・って。あーあ。
＜形容名詞TOP10＞
非常 27
好き 17
フル 12
エスニック 10
嫌 9
大好き 9
強烈 8
幸福 8
重要 8
馬鹿 8
”非常に”って感じで良く強調するらしい。”嫌い”よりも”好き”が多く出て来ているのはいいことだ。
”馬鹿”ってもっと出て来てるかと思ったよ。
＜組織名TOP10＞
ラウドネス 10
タミヤ 7
ビートルズ 6
ローランド 5
ヤマハ 4
アクティブ 3
カーマ 2
キャデラック 2
クライスラー 2
ソニー 2
なんと、”ラウドネス”が一番出てきている組織名だとは・・。
＜地名TOP10＞
西欧 10
名古屋 9
インド 7
ブルガリア 7
桜淵 7
木曽川 7
新城 6
フランス 5
東欧 5
ポー 4
地名はたいして面白くないが、旅行好きな人のブログだったら、意味があるんだろう。
桜淵、木曽川、新城って全部ラジコンで遊んだ場所だ。
＜感動詞TOP10＞
まぁ 10
ごめんなさい 4
あ 3
あー 3
え 3
おや 3
さぁ 3
ねぇ 3
へぇ 3
ま 3
＜動詞TOP10＞
思う 71
スる 56
見る 51
戻る 47
買う 42
聞く 39
言う 38
使う 36
走る 36
入る 31
※このへんも意味なし。
＜形容詞TOP10＞
良い 50
無い 26
凄い 18
悪い 16
高い 16
楽しい 15
新しい 15
大きい 15
速い 14
素晴らしい 12
※形容詞は結構面白い。”良い”が”悪い”よりも3倍も多く出てきてる←意外と楽天家？
素晴らしい、凄い、楽しい・・・が続く。もっと呪われた言葉を使っていると思っていたが。
＜副詞TOP10＞
初めて 24
特に 13
全然 11
早速 11
色々 8
実際 7
結構 6
少し 6
常に 6
全く 6
■もしかして・・
プログラミング関係の言葉は殆どが英語なので、日本語解析では弾かれている。IT関連の単語が、ランキングに一切出てこないというのは非常におかしい。
