【自然言語処理】日本語の教師なし学習をやってみた

日本語の文章をクラスタリングします。

インストール

pip install -U sentence-transformers

コード

下記の文章を5つに分類する。

'男はご飯を食べた。',           '男はパンを食べた',           '女はスープを飲んだ',           '女子はスマホでメールを送る。',           '私は時計を彼女に送る。',           '男は車に乗る',           '小学生が自転車に乗る',           'サルがドラムを演奏する',           'カンガルーがタンバリンを叩く',           'チーターが獲物の後ろを走っている。',           'チーターが獲物を追いかける'

from sentence_transformers import SentenceTransformer
from sklearn.cluster import KMeans
import random
embedder = SentenceTransformer('distiluse-base-multilingual-cased')
# Corpus with example sentences
corpus = ['男はご飯を食べた。',
          '男はパンを食べた',
          '女はスープを飲んだ',
          '女子はスマホでメールを送る。',
          '私は時計を彼女に送る。',
          '男は車に乗る',
          '小学生が自転車に乗る',
          'サルがドラムを演奏する',
          'カンガルーがタンバリンを叩く',
          'チーターが獲物の後ろを走っている。',
          'チーターが獲物を追いかける'
          ]
random.shuffle(corpus)
corpus_embeddings = embedder.encode(corpus)

# Perform kmean clustering
num_clusters = 5
clustering_model = KMeans(n_clusters=num_clusters)
clustering_model.fit(corpus_embeddings)
cluster_assignment = clustering_model.labels_

clustered_sentences = [[] for i in range(num_clusters)]
for sentence_id, cluster_id in enumerate(cluster_assignment):
    clustered_sentences[cluster_id].append(corpus[sentence_id])

for i, cluster in enumerate(clustered_sentences):
    print("Cluster ", i+1)
    print(cluster)
    print("")

結果

Cluster  1
['女子はスマホでメールを送る。', '私は時計を彼女に送る。']

Cluster  2
['小学生が自転車に乗る', '男は車に乗る']

Cluster  3
['サルがドラムを演奏する', 'カンガルーがタンバリンを叩く']

Cluster  4
['男はパンを食べた', '男はご飯を食べた。', '女はスープを飲んだ']

Cluster  5
['チーターが獲物を追いかける', 'チーターが獲物の後ろを走っている。']

参考