テキストマイニングの本音

第2話 なんか胡散臭い

　あくまで例ですが、魔王と電車が同じ段落に出現する（魔王と電車の共起度が高い）作品は星の数が多い、という結果が得られたとしたら、それを盲目的に信じることができますか。

　どこからともなく浮遊する胡散臭さを禁じ得ないのは私だけではないはずです。

　テキストマイニングを始めた頃は、星が貰える法則を見つけ出そうと意気込んでおりました。

　実際、教師あり学習で小説の分類を試みたこともあります。特徴量としては品詞のバイグラムを用いました。

　カクヨムの作品を千編ほど集め、星の数によってランク分けし、学習させました。

　もう既にお気付きかも知れませんが、その精度は恐ろしく低い結果でした。

　品詞のバイグラムは名詞−格助詞などなど、品詞の組み合わせをいいます。

　学習させた分類器に未投稿の作品をテストさせれば、どれだけ星が貰えるか予測できるはずですが、前述の通り、精度が低いので占いレベルにもならない眉唾な結果が得られます。

　もしかしたら、この星占いも何かしらの役には立つかも知れないと思う時はありますが、特にアイデアはありません（汗）

　著者推定において、品詞のバイグラムは非常に有効です。文豪の作品について学習させ、学習していない作品を分類させると、100%に近い精度で誰の作品か明らかになります。

　品詞のバイグラムは、著者推定に有効だけど、カクヨムの星は推定できない。

　まだ最適な特徴量が発見されていないだけで、著者推定のように、あらかじめ星を予測するような特徴がもしかしたら存在するかも知れない、といった感じでカクヨムで賞を頂いて作家デビューするくらいの寝言を呟いていたわけです。