R によるテキストマイニング入門 (第 2 版)

フリーの環境を使い, 実践しながらひと通りの手法を学べる入門書です.ネット上にあふれる膨大なテキストデータを効率よく収集・分析する方法や, アンケート結果をデータに置き換えて分析する方法を紹介します.
初心者はもちろん, さまざまな手法を知りたいという読者にもおすすめです.

〈おすすめポイント〉
・基本的な手法のほか, ウェブスクレイピングやトピックモデルといった, 最近注目の技術も紹介.
・ネットワークグラフ, ワードクラウドなどの可視化機能をふんだんに利用.データの特徴をつかむのに役立つ.
・実践には統合環境 RStudio を導入.RStudio では, マウスによる直感的な操作ができ, コードの補完機能などもあるので, 簡単・快適に作業をすることが可能.

テキストマイニングの定番書を, R のバージョンアップや新機能に対応して大幅にリニューアルしたものです.さらに使いやすく, 充実した内容となっています.
第 1 章 テキストマイニングとは何か
第 2 章 テキストマイニングの準備
第 3 章 R/RStudio 速習
第 4 章 文字処理と正規表現
第 5 章 RMeCab によるテキスト解析
第 6 章 口コミのテキストマイニングーウェブスクレイピング
第 7 章 アンケート自由記述文の分析ー対応分析
第 8 章 青空文庫データの解析ーワードクラウドとネットワークグラフ
第 9 章 テキストの分類ークラスター分析, トピックモデル
第 10 章 書き手の判別ー漱石と鴎外の文体比較
第 11 章 Twitter タイムラインの分析ー API の利用

『R によるテキストマイニング入門 第 2 版』 (石田 基広 著、森北出版、2017 年 6 月刊) は、無料で使える R 言語 と統合環境 RStudio を使い、日本語のテキストデータを収集して分析する手法を、実践しながら一通り学べる入門書です。版元の紹介文は、ネット上の大量のテキストを効率よく集めて分析する方法と、アンケートの結果をデータに置き換えて分析する方法を紹介すると案内しており、初心者に加えて、さまざまな手法を知りたい読者も対象にしています。著者の同名書の旧版を、R のバージョンアップや新機能に合わせて大幅に作り直した第 2 版です。

全 11 章の構成、RMeCab の解析から文体比較と API 利用まで

目次は第 1 章「テキストマイニングとは何か」と第 2 章「テキストマイニングの準備」で始まり、第 3 章で R と RStudio の操作を速習し、第 4 章で文字処理と正規表現を扱います。第 5 章は形態素解析器 MeCab を R から使う RMeCab によるテキスト解析で、ここまでが分析の土台です。第 6 章以降は題材ごとの実践編で、口コミのテキストをウェブスクレイピングで集めて分析する章、アンケートの自由記述文を対応分析にかける章、青空文庫のデータをワードクラウドとネットワークグラフで可視化する章、クラスター分析とトピックモデルでテキストを分類する章、漱石と鴎外の文体を比べて書き手を判別する章、そして API を使って Twitter のタイムラインを分析する章が続きます。章ごとに手法と題材が対になっているため、自分の手元にあるデータに近い章から手を付けることもできます。

日本語のテキスト分析で語の切り出しが要になる理由

英語は単語のあいだに空白があるため、空白で区切るだけで語の頻度を数え始められます。日本語には区切りがないので、まず文を語に分け、それぞれの品詞を判定する形態素解析を通さないと、頻度も共起も数えられません。自然言語処理 の多くの手法は、この語の切り出しの精度と、助詞のように意味の薄い語をどう除くかという前処理の判断に結果を大きく左右されます。本書が RMeCab の章を実践編の前に置き、その前に正規表現による文字処理を扱っているのは、この前処理を自分の手で調整できるようにするための順序と読めます。語の出現を表にしてしまえば、対応分析やクラスター分析といった統計の手法を R の豊富なパッケージで適用でき、結果をワードクラウドやネットワークグラフで眺めて特徴をつかむ流れを一つの環境で完結できる点が、R を使う利点です。

2017 年刊の環境で読むときの注意と向いている読者

本書は 2017 年時点の R と RStudio、各パッケージを前提にしています。関数やパッケージの更新で、書かれたとおりに動かない箇所が出る可能性は考えておく必要があります。とくに Twitter のタイムラインを扱う章は、2023 年に API の提供条件が大きく変わったため、記載の手順をそのまま再現するのは難しいと考えたほうが安全です。ウェブスクレイピング の章も、対象のサイトの構造や利用規約によって手順の見直しが要ります。一方で、形態素解析から集計、多変量解析、可視化へ進む分析の組み立ては環境が変わっても通用し、ここが本書の芯です。

深層学習による文章の分類や、大規模言語モデルを使った要約の手法を学びたい人には、扱う範囲が合いません。アンケートの自由記述欄や顧客の口コミを読み切れずに困っているマーケティングや調査の担当者、日本語の文章を計量的に扱ってみたい人文系や社会科学系の学生や研究者にとっては、R を触ったことがなくても速習の章から始めて、手元のテキストを分析の対象に変える一連の手順を一冊で身につけられる入門書です。