はじめに

@aoimidori さんの MATLABからCOTOHA APIをコールしてみたに刺激を受け、私も MATLAB から COTOHA API を試してみました。まず手始めに Qiita 記事の要約から。

2020/01/04 追記
COTOHA API の要約機能は正式版がリリースされた 2020/03/23 以降、無料枠では使えなくなっています。参照：https://api.ce-cotoha.com/contents/reference/releasenote.html
追記ここまで

この記事の Livescript 版はこちら Example_JapaneseSummarization¹ に置いてありますので試したい方は DL してみてください。

実行環境

MATLAB R2019b
Text Analytics Toolbox

やったこと：忙しい人向け Qiita

beta 版（2020/2 時点）ですが COTOHA API の要約機能を使って Qiita 記事を要約してみました。ちなみに本記事の要約は

URL = 'https://qiita.com/eigs/items/39196afdb5f28bf3ba0f';
source = webread(URL);
summary = getSummary(source, tokens, 1)

で得られまして、**「MATLAB コードは下記」**となります・・。ま、コードは紹介しています。
（実行には少し下で取得する tokens が必要なのでご注意。）

Qiita には沢山記事が投稿されるので、要点だけ把握できるとそれはそれで価値があるのでは？と期待したわけです。HTML ソースからの文章部分の抽出に手間取りましたので、その辺の処理例として参考にしてもらえると嬉しいです。

COTOHA API とは

詳細はこちら：COTOHA API Portal

構文解析、照応解析、キーワード抽出、音声認識、要約など、様々な自然言語処理・音声処理APIを提供しているサービスです。NTTグループの40年にわたる研究成果である、日本語辞書や単語を3000種以上の意味性分類する技術などを活用し、高度な解析をAPIで手軽に利用できます。

ということですが、いろんな遊びがいがありそうでわくわくしますね。できることが沢山あってそれぞれ試すだけでも面白いです。

使用例の中でも @mosaosa さんの我々のコミュニケーションには"雅"が足りない。は秀逸。雅で柔軟な発想がすごいなぁと思いました。私はそんな粋なアイデアが出てこないので、とりあえず COTOHA API の基本機能で遊んでみます。

COTOHA API を使うまでの手順は @aoimidori さんの記事を参考にしてください。

0. アクセストークンを取得する


% ここは自身の clientid/clientsecret に変えて試してください。
clientid = 'input_your_Client_ID';
clientsecret = 'input_your_Client_secret';

url = 'https://api.ce-cotoha.com/v1/oauth/accesstokens';
options = weboptions('RequestMethod','post', 'MediaType','application/json');
Body = struct('grantType', 'client_credentials', ... 
          'clientId', clientid, ...
          'clientSecret', clientsecret);
tokens = webwrite(url, Body, options);

このトークンを使って COTOHA API を呼びます。

1. Qiita 記事の読み込み

ここは Qiita API を使って自動化できそうですが、まずは気軽に webread 関数をつかって URL から直接読み込んでみましょう。テンプレート使って PowerPoint スライド作成自動化：MATLAB Report Generator 編を例に使ってみます。

% テンプレート使って PowerPoint スライド作成自動化：MATLAB Report Generator 編
URL = 'https://qiita.com/eigs/items/cb48fdcd741126d09def';
source = webread(URL);
source(1:100) % 冒頭の 100 文字

ans = '<!DOCTYPE html><html><head><meta charset="utf-8" /><title>テンプレート使って PowerPoint スライド作成自動化：MATLAB Repo'

ソースが取れました。ここから文章だけ抽出します。ここで使うのは html からテキスト抽出する extractHTMLText 関数（ヘルプページ）

sourceText = extractHTMLText(source);
sourceText(1:200)

ans = 
    'はじめに
     
     シゴトで、定期的にとある集計をパワポに纏めていたんですが、MATLAB でデータ集めて、グラフをコピペして・・など 30分程かかる作業が地味にめんどくさい。
     
     「まぁ、毎日やることじゃないし・・」と我慢してやっていましたが、2020年は 「退屈なことは MATLAB にやらせよう」ということで、一念発起して自動化。
     
     その際にはまった点と、PowerPoint テンプレートの使用例を紹'

ま、なんかよさそう。次に進みます。

2. COTOHA API 呼び出し

COTOHA API のリファレンスによると、文章の要約は

curl -X POST -H 'Content-Type:application/json;charset=UTF-8' -H 'Authorization:Bearer [Access Token]' -d '{"document":"前線が太平洋上に停滞しています。一方、高気圧が千島近海にあって、北日本から東日本をゆるやかに覆っています。関東地方は、晴れ時々曇り、ところにより雨となっています。東京は、湿った空気や前線の影響により、晴れ後曇りで、夜は雨となるでしょう。","sent_len":"1"}' [API Base URL]/nlp/beta/summary

という感じで使います。sent_len は要約をいくつの文章で返すかのオプションのようです。必須の入力は document なので、ここに上で抽出した文章を入れてみます。

POST なので webwrite 関数でいけますね。@aoimidori さんのコードをほぼそのままですが、要約向けに少し書き直します。

baseurl = 'https://api.ce-cotoha.com/api/dev/';
Header = {'Content-Type', 'application/json;charset=UTF-8';
    'Authorization', ['Bearer ' tokens.access_token]};
Body = struct('document', sourceText, ... 
          'sent_len', '1');
options = weboptions('RequestMethod','post', ...
    'MediaType','application/json','HeaderFields', Header);

response = webwrite([baseurl 'nlp/beta/summary'], Body, options);

記事の要約は以下のような結果になりました。

string(response.result)

"MATLAB コード：さいころレポート%% 事前設定% ファイル名に今日の日付を使いますreportDate = datetime; reportDate.Format = 'yyyy-MM-dd';% 関連ライブラリの読み込みimport mlreportgen.ppt.*;% 事前作成したテンプレートからスライド作成pres = Presentation(fileName,'sampleTemplate.potx');%% タイトルスライド作成% テンプレートにある "Title Slide" レイアウトを使用titleSlide = add(pres,'Title Slide');% ファイル名やタイトルfileName = "sampleReport" + string(reportDate);titleText = "サンプルレポート";subTitleText = "作成日" + string(reportDate);% プレースホルダの内容を入れ替えreplace(titleSlide,'Title',titleText);replace(titleSlide,'Subtitle',subTitleText);%% ここからレポートページ% さいころを N 回振って、出る目の回数を集計します。"

3. なんかおかしい

これはどうも記事に MATLAB コードが含まれているからですね。これは取り除きたい。

今度は HTML をパースするために htmlTree 関数（ヘルプページ）使ってみます。ソースを見ると、コードは <div class="code-frame"> で囲まれているみたいなので、

tree = htmlTree(source);

で前処理してその中から、パラグラフ、リストだけを取ってきましょう。

selector = "p,li";
subtrees = findElement(tree,selector);
subtrees(1:10) % ちょっとだけ表示

ans = 
  10x1 htmlTree:

    <P>シゴトで、定期的にとある集計をパワポに纏めていたんですが、MATLAB でデータ集めて、グラフをコピペして・・など 30分程かかる作業が地味にめんどくさい。</P>
    <P>「まぁ、毎日やることじゃないし・・」と我慢してやっていましたが、2020年は <STRONG>「退屈なことは MATLAB にやらせよう」</STRONG>ということで、一念発起して自動化。</P>
    <P>その際にはまった点と、PowerPoint テンプレートの使用例を紹介します。</P>
    <LI>MATLAB R2019b</LI>
    <LI>MATLAB Report Generator</LI>
    <P>今回は MATLAB Report Generator を使いますが <A href="https://jp.mathworks.com/matlabcentral/answers/99268-powerpoint" rel="nofollow noopener" target="_blank">COM サーバーを使う方法</A> に慣れていれば MATLAB だけでもできると思います。</P>
    <P>以前書いた <A href="https://qiita.com/eigs/items/8c4bf743fc1319762607" id="reference-e1a4b2e138fe2f4fffda">【MATLAB】PowerPoint スライド作成自動化</A> では、機械学習の評価結果を纏める作業を自動化しました。ただ、画像の位置などを試行錯誤して特定して、コード内に直書き。</P>
    <P>表示位置など変更の必要が無ければ特に困らないとは思いますが、メンテナンス的に残念な例ではありました。すいません。今回は少しだけ背伸びして、PowerPoint のテンプレートを使った例を紹介します。</P>
    <P>いい題材が思いつかなかったのですが、実際に役に立つかどうかは、皆さんの想像力次第・・ということで、さいころを <CODE>N</CODE> 回ふった結果をまとめるパワポ作ってみました。</P>
    <P><DETAILS><SUMMARY>MATLAB コード：さいころレポート</SUMMARY><DIV><DIV class="code-frame" data-lang="matlab"><DIV class="highlight"><PRE><SPAN class="c1">%% 事前設定</SPAN><SPAN class="c1">% ファイル名に今日の日付を使います</SPAN><SPAN class="n">reportDate</SPAN><SPAN class="o">=</SPAN><SPAN class="nb">datetime</SPAN><SPAN class="p">;</SPAN><SPAN class="n">reportDate</SPAN><SPAN class="o">.</SPAN><SPAN class="n">Format</SPAN><SPAN class="o">=</SPAN><SPAN class="s1">'yyyy-MM-dd'</SPAN><SPAN class="p">;</SPAN><SPAN class="c1">% 関連ライブラリの読み込み</SPAN><SPAN class="nb">import</SPAN><SPAN class="n">mlreportgen</SPAN><SPAN class="o">.</SPAN><SPAN class="n">ppt</SPAN><SPAN class="o">.*</SPAN><SPAN class="p">;</SPAN><SPAN class="c1">% 事前作成したテンプレートからスライド作成</SPAN><SPAN class="n">pres</SPAN><SPAN class="o">=</SPAN><SPAN class="n">Presentation</SPAN><SPAN class="p">(</SPAN><SPAN class="nb">fileName</SPAN><SPAN class="p">,</SPAN><SPAN class="s1">'sampleTemplate.potx'</SPAN><SPAN class="p">);</SPAN><SPAN class="c1">%% タイトルスライド作成</SPA…

<div class="code-frame"> で囲まれたコードはなくなっていますが・・怪しいものがあります。一番最後の <DETAILS> から始まる部分ですね。コードが入ってます。

3.1 `<DETAILS>` ってなんだっけ

これはコードを折りたたむ表示にしているところですね・・

↑ここ。ここで非表示にしているコードが <p> 内に入ってきています。。結構めんどくさくなってきた。
折りたたんでいない記事であれば、ここまでの処理で十分なはず。ちなみにこのまま実行すると

実行したコード

sentence = extractHTMLText(subtrees);
sentence = join(sentence); 
Body = struct('document', sentence, ... 
          'sent_len', '1');
options = weboptions('RequestMethod','post', 'MediaType','application/json','HeaderFields', Header);
response = webwrite([baseurl 'nlp/beta/summary'], Body, options);
string(response.result)

"names = ["one","two","three","four","five","six"];for ii=1:5 % 10回 から 10万回まで N = 10^ii; % 1 から 6 までの整数を生成 diceResults = randi(6,[N,1]); % それぞれの出目の回数を集計 counts = histcounts(diceResults); [countsSorted,idx] = sort(counts,'descend'); % ヒストグラムプロット作成 hFigure = figure(1); histogram(diceResults,'Normalization','probability'); title('Histogram of Each Occurenace'); ha = gca; ha.FontSize = 20; % 画像として保存して後に、パワポにコピー imgPath = saveFigureToFile(hFigure); pictureObj = Picture(imgPath); % スライドタイトル slideTitle = "Uniformly Distributed? (N = " + string(N) + ")"; % 事前に準備しておいた Custom レイアウトからページ作成 slide = add(pres, 'Custom'); replace(slide,'Title',slideTitle); % タイトル replace(slide,'Picture Placeholder Big', pictureObj); % 真ん中はヒストグラムを配置 % 出た回数順にトップ５：出た回数と画像を配置 topfive = names(idx); for jj=1:5 % 画像は事前に用意したものを使用 imagePath = "./images/" + topfive(jj) + ".png"; if ~exist(imagePath,'file') % 念のため画像がない場合 imagePath = "./images/a.png"; end pictureObj = Picture(char(imagePath)); replace(slide,"Picture Placeholder " + jj, pictureObj); replace(slide,"Text Placeholder " + jj, string(countsSorted(ii))); end % hFigure を閉じる if( isvalid(hFigure) ) close(hFigure); endend%% 以上のページをもとにパワポ作成% msgbox でダイアログ出してみるhMsg = msgbox('Generating PowerPoint report...');% pres を閉じておきます。"

と、引き続き残念な要約になります。

3.2 地道に `<DETAILS>` 対策

ここは、とにかく動けばいいということで、一個づつ <DETAILS> が入っちゃっているか確認して削除します。

selector = "p,li";
subtrees = findElement(tree,selector);

% check if details contained in p
index = false(length(subtrees),1);
for ii=1:length(subtrees)
    tmp = findElement(subtrees(ii),'details');
    index(ii) = isempty(tmp); % <DETAILS> があれば false になる
end

% DETAILS 無し
subtreesNoDetails = subtrees(index);
subtreesNoDetails(1:10)

さて結果は・・。

ans = 
  10x1 htmlTree:

    <P>シゴトで、定期的にとある集計をパワポに纏めていたんですが、MATLAB でデータ集めて、グラフをコピペして・・など 30分程かかる作業が地味にめんどくさい。</P>
    <P>「まぁ、毎日やることじゃないし・・」と我慢してやっていましたが、2020年は <STRONG>「退屈なことは MATLAB にやらせよう」</STRONG>ということで、一念発起して自動化。</P>
    <P>その際にはまった点と、PowerPoint テンプレートの使用例を紹介します。</P>
    <LI>MATLAB R2019b</LI>
    <LI>MATLAB Report Generator</LI>
    <P>今回は MATLAB Report Generator を使いますが <A href="https://jp.mathworks.com/matlabcentral/answers/99268-powerpoint" rel="nofollow noopener" target="_blank">COM サーバーを使う方法</A> に慣れていれば MATLAB だけでもできると思います。</P>
    <P>以前書いた <A href="https://qiita.com/eigs/items/8c4bf743fc1319762607" id="reference-e1a4b2e138fe2f4fffda">【MATLAB】PowerPoint スライド作成自動化</A> では、機械学習の評価結果を纏める作業を自動化しました。ただ、画像の位置などを試行錯誤して特定して、コード内に直書き。</P>
    <P>表示位置など変更の必要が無ければ特に困らないとは思いますが、メンテナンス的に残念な例ではありました。すいません。今回は少しだけ背伸びして、PowerPoint のテンプレートを使った例を紹介します。</P>
    <P>いい題材が思いつかなかったのですが、実際に役に立つかどうかは、皆さんの想像力次第・・ということで、さいころを <CODE>N</CODE> 回ふった結果をまとめるパワポ作ってみました。</P>
    <P/>

大丈夫そう。

4. こんどこそ要約

実行したコード

sentence = extractHTMLText(subtreesNoDetails);
sentence = join(sentence);
Body = struct('document', sentence, ... 
          'sent_len', '2');
options = weboptions('RequestMethod','post', 'MediaType','application/json','HeaderFields', Header);
response = webwrite([baseurl 'nlp/beta/summary'], Body, options);
string(response.result)

"今回は少しだけ背伸びして、PowerPoint のテンプレートを使った例を紹介します。いい題材が思いつかなかったのですが、実際に役に立つかどうかは、皆さんの想像力次第・・ということで、さいころを N 回ふった結果をまとめるパワポ作ってみました。"

できた！！タイトルの情報と合わせると内容を理解できそうですね。

5. 他の記事も要約

ここまでの処理内容を getSummary 関数にして（ソースはページ下記）他の記事にも試してみます。第三引数で要約文の数を指定するようにしました。

例 1. 【MATLAB】機械学習アプリ上のプロットを再現したいんですが・・

これは以前書いた自分の記事。

URL = 'https://qiita.com/eigs/items/38e31027529f92233b27';
source = webread(URL);
summary = getSummary(source, tokens, 1)

"（MATLAB Answers: 「回帰学習器を用いて予測したプロットデータの応答の値の出力」より引用）とか、 CSVファイルからインポートしたデータを用いて回帰学習器を使用した時,出力される応答プロットの値と関数を出力するにはどうすれば良いでしょうか．（MATLAB Answers: 「回帰学習器の応答プロットについて」より引用）など、アプリ上の結果を再現したい、他にも応用したいという声もあります。"

まぁ、、わかるか・・・。ちょっと長いかな。次。

例 2. MATLABからCOTOHA APIをコールしてみた

こちらは冒頭で触れた @aoimidori さんの記事です。

URL = 'https://qiita.com/aoimidori/items/644ac0e726d60a99cc4a';
source = webread(URL);
summary = getSummary(source, tokens, 1)

"MATLABコードは下記。"

むむ・・？確かに MATLAB での実行サンプルが記事のメインではあるが、かなり思い切りのいいまとめ。文章の数を増やしてみます。

summary = getSummary(source, tokens, 2)

"MATLABコードは下記。こちらの公式リファレンスのやり方に沿って、試しに構文解析をしてみます。"

2 文での要約にするといい感じですね。

例3. 【MATLAB】Outlookから予定表を取得する

@motorcontrolman さんの最近の記事も（勝手に）まとめちゃいます。

URL = 'https://qiita.com/motorcontrolman/items/03ea4d2a978d626f4337';
source = webread(URL);
summary = getSummary(source, tokens, 2)

" 取得の対象となるOutlook予定表は下記です。便利だなぁ(恍惚) 最終ゴールはSubjectからテキストディープラーニングで業務内容を類推、業務負荷を見える化することです。"

次のステップにまでふれてて、いい要約ですね。

例 4. MATLABで競艇の解析を始めよう（有名な買い方をしてみよう）

モーターボートマンこと @teruqii さんの記事だと・・

URL = 'https://qiita.com/teruqii/items/447d09d10e24fca0c20f';
source = webread(URL);
summary = getSummary(source, tokens, 1)

" 1回目：100円はずれ 2回目：200円はずれ 3回目：300円はずれ 4回目：400円あたり！ → 配当３倍で 1200円ゲット 5回目：300円あたり！ → 配当３倍で 900円ゲット 6回目：200円はずれ 7回目：300円はずれという感じ。"

とりえあず儲かった感じ？が出ていますね！

まとめ

Qiita 記事の要約をやってみました。プログラミング系（？）の記事だからかコード部分の取り扱いに手間取りましたが、総じていい感じに要約されていますね。

記事情報自体は Qiita API でも取ってこれるので、他にもいろいろ遊べそうな気がします。COTOHA API を試してみたいなぁ、という方のお役に立てたら嬉しいです。

Appendix: `getSummary` 関数

function summary = getSummary(htmlSource, tokens, sent_len)

tree = htmlTree(htmlSource);

selector = "p,li";
subtrees = findElement(tree,selector);

% check if details contained in p
index = false(length(subtrees),1);
for ii=1:length(subtrees)
    tmp = findElement(subtrees(ii),'details');
    index(ii) = isempty(tmp); % <DETAILS> があれば false になる
end

% DETAILS 無しの P, LI だけ
subtreesNoDetails = subtrees(index);

% 入力文
sentence = extractHTMLText(subtreesNoDetails);
sentence = join(sentence);

% Call COTOHA API
baseurl = 'https://api.ce-cotoha.com/api/dev/';
accesstoken = tokens.access_token;
Header = {'Content-Type', 'application/json;charset=UTF-8'; 'Authorization', ['Bearer ' accesstoken]};
Body = struct('document', sentence, ... 
          'sent_len', num2str(sent_len));
options = weboptions('RequestMethod','post', 'MediaType','application/json','HeaderFields', Header);
response = webwrite([baseurl 'nlp/beta/summary'], Body, options);
summary = string(response.result);

end

Livescript から markdown への変換は livescript2markdown: MATLAB's live scripts to markdown で実施しています。 ↩

【COTOHA API x MATLAB】Qiita 投稿記事の要約