『企業ホームページから特徴語を抽出』 インスクエア ビジネスニュース Vol.429
■[ インスクエア ビジネスニュース ]━━━━━━━━━━━━━━━━■
世代を超えて起業が日本を元気にする！
エイジレスな起業支援のインスクエアが送る【 最新！ビジネス情報 】
http://in-sq.com
■━━━━━━━━━━━━━━━━━━━━[vol.429] 2013/12/17━━━■
‥‥◇◆ 目次 ◆◇‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥
01:本日のコラム…
『 企業ホームページから特徴語を抽出 』
／戸田 裕子（株式会社知紡）
02:イベントのご案内
ハラルビジネス交流会 １２月１８日 インスクエア特典あります
03: その他お知らせ
１ インスクエアの最新情報
・サポーターに実演販売プロモーター登場
・インスクエア上野 交流会
・インスクエア上野、横浜関内のご案内
━━┳━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
01 ┃ 本日のコラム －『 企業ホームページから特徴語を抽出 』
━━┃……………………………………………………………………………………
┃ 戸田 裕子（株式会社知紡）
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
こんにちは、株式会社知紡の戸田です。
歴史の謎とき小説で有名なダン・ブラウンの最新作「インフェルノ」が話題に
なっていますが、前作「ロスト・シンボル」（2009年出版）も併せて読みました。
その中で、ブラックベリーやパソコンでグーグルを検索して、過去の文献や言
葉を調べる場面が何度か出てきます。
作品中の研究者が、インターネットの検索のプロに調べ物を依頼する場面があ
るのですが、少し考えて５つほどのキーワードを与えます。
10分ほどで、それらしい文書をCIAのサーバ内に見つけます。
謎解きのアイテムになるのかと思いきや、小説の最後まで引きずりながら、
結局、5つのキーワードがばらばらに含まれた、あるスレッドへの投稿記事だっ
たという落ちでした。
作者のダン・ブラウンも、時間をかけてWebを調べた結果に、苦笑することも
多いのではないかと思います。
とはいっても、肥大化するデジタルデータに対して、Webと検索技術は必須です。
前回のメルマガで、「情報リテラシー」教育において、新聞記事を使い、調べた
い内容に関連するキーワードの選択や、組み合わせを実習されている大学を紹
介しました。
今回は、企業のホームページの記載内容から、特徴的なキーワードを自動的に
抽出してみました。
手作業で単語を分解し、知っている知識と照らしながらキーワードを選択する
ことが基本なのですが、文章が大量になると簡単ではないので、機械処理によ
るツールを使います。
利用するデータは、26万社の企業ホームページから、事業紹介の最初のページ
を収集してインデックスを作成したものです。
インデックス作成には、オープンソースの全文検索システムSolr（ソーラ）を
利用しています。
キーワード抽出する対象ページとして、以下のページをサンプルとしました。
http://www.sharp.co.jp/corporate/info/outline/business/index.html
■まず一番わかり易いのが、単語（名詞）が出てくる頻度の多いものを選ぶ方
法です。
結果は以下です。
カッコ（ ）の見方は、例えば「機器」の単語は、上のページ内で11回の頻度。
26万社の全部のページで「機器」の単語が含めれているページが18,164ページ
あると見ます。
機器 (11, 18864)
機 (9, 17911)
液晶 (6, 1588)
等 (6, 39383)
電子 (5, 9208)
事業 (5, 50803)
モジュール (4, 1368)
ディスプレイ (4, 1894)
部品 (4, 10155)
内容 (4, 37078)
情報 (4, 67432)
会社 (4, 97994)
シャープ (3, 788)
太陽 (3, 1548)
電池 (3, 1810)
led (3, 3195)
光 (3, 4713)
海外 (3, 6504)
用 (3, 33337)
製品 (3, 40945)
上記を眺めると、一般的な良く使われる単語「会社」「情報」「事業」があります。
これらは、通常検索キーワードとしては使われません。
■次に、上記のように頻度は高いが、その他のページでも頻繁に使われる単語
の順位（スコア）を調整する方法があります。
情報検索や文章要約分野で使われる「tf-idf」式です。
（tf：単語の出現頻度 idf：逆文書頻度）
興味ある方は下記を参照ください。
http://ja.wikipedia.org/wiki/Tf-idf
今回は簡易的に、対象ページ内にある単語に対して、頻度をその単語の出現
ページ数（上記のカッコ内の2番目の数値）で割った数値とします。
例 「機器」は 11/18864＝0.00058
結果は以下です。カッコ内は計算したスコア値です。
igzo (0.33333)
ブルーレイディスクレコーダ (0.14286)
ブルーレイディスクプレーヤ (0.125)
イメージャ (0.08333)
プラズマクラスターイオン (0.04167)
クラスターイオン (0.03704)
アモルファス (0.01408)
cmos (0.01266)
レギュレータ (0.01111)
扇風機 (0.00952)
sharp (0.00926)
電卓 (0.00862)
過熱 (0.00787)
信条 (0.00649)
チューナ (0.00645)
水蒸気 (0.00641)
地上波 (0.00637)
レイ (0.00559)
憲章 (0.00559)
最初の「IGZO」はシャープがライセンスを受け、商標登録したアモルファス半
導体の略称です。
googleで検索しても、シャープのサイトがトップに出ます。
このように、「tf-idf」式は現在の検索技術で基本となる計算式ですが、
事業内容を表すキーワードというより、特異なキーワードといえます。
■では最後に、上記の二つを合わせた方法で抽出してみます。
今回利用したツールSolr（ソーラ）で特徴語を抽出する関数を使いました。
結果は以下です。
機器
機
液晶
モジュール
電子
ディスプレイ
等
シャープ
部品
太陽
電池
事業
led
光
内容
海外
レイ
電話機
子会社
情報
「等」「事業」「情報」などの順位が下がり、「会社」は20位内にはありません。
以上のように、オープンソースを利用することで、
いくつかの方式で大量な文書を機械処理することが、比較的簡単にできます。
これらのツールを駆使することで、情報探しの効率を上げるサービスを考えて
いきます。
今後とも宜しくお願いいたします。
———————————————————————-
▼プロフィール：
・氏名：戸田 裕子（とだ・ゆうこ）tod@myt.co.jp
・所属：（株）知紡 代表取締役
http://www.ti-bou.com/
Papatto 企業情報検索サービス http://www.papatto.info/s/index.html
・出身：東京都
———————————————————————-
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
02 ┃イベントのお知らせ
┃ 『ハラルビジネス交流会 １２月１８日（水）開催』
┃ インスクエア特典があります！
━━┃…………………………………………………………………………………
┃
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
今年は、月を追うごとに「ハラル（ハラール）」の話題で盛り上がりました。
数少ないブルーオーシャンビジネスですので当然ではありますが、
そんなハラル元年ももうすぐ年末を迎えます。
今年のハラル総決算はハラルビジネス交流会で、ハラルビジネスの
明るい将来を語りましょう。 ということで、今年最後のご案内です。
インスクエア会員の皆様には３０００円の参加料が２０００円になる
特典がついています。
ハラールお弁当が付いてこれはお得ですね。ぜひともご参加下さい。
★12月18日（水）第13回ハラルビジネス交流会開催します！★
19時から21時 場所は池袋です。
http://halal.or.jp/event/ex/
■メインセミナー
「出版社編集者から見る日本のハラールビジネスの現状！？」
≪講師≫ 総合法令出版 株式会社 木下 美紀 氏
ハラルマーケットがよくわかる本～イスラム巨大市場を切り開くパスポート～
の執筆を担当。
世界で16億人、20年後には22億人に増え続けるというイスラム教徒の人口を
マーケットと捉え、イスラム教の戒律、ハラルを規格化して商品化する動きが
急速に進む「ハラル市場」だが、世界中で認知されている中、日本だけが出遅
れてしまっている。
国際対応の遅れている現状を捉えながら、「どのようにハラル市場に挑むのか」
を書いたビジネス書。ハラルとは何か？という基本事項からハラル認証や
ムスリムフレンドリーといったハラル対応のすべてが１冊でわかる本。
また、外需・内需の可能性を探るべき、ハラルに関わる企業のインタビューも
含む。近年、ホテル業界や輸出業で注目されており、テレビや雑誌で大注目さ
れ
ている。ハラルビジネスを始めたい人のための入門書として最適。
■その他セミナー
・ハラール認証取得企業シリーズ
・インドネシア輸出・進出ワンポイントアドバイス
・協会トピックス
など予定しています。
◯ ハラールケータリング＋簡単な御飲み物
◯ 交流会・忘年会（30分程度）
■定員：３０名
ご参加お待ちしています。
お申込みは ⇒ http://halal.or.jp/event/ex/
※今月はハラールケータリング＋ドリンク付きの忘年会バージョンです。
ハラール商品が当たるビンゴゲームも開催します！！商品はご期待下さい。
━━┳━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
03 ┃ その他のお知らせ
━━┃……………………………………………………………………………………
┃ 1. インスクエア最新情報
┃ ２. インスクエア上野、横浜関内のお知らせ
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
≪インスクエア最新情報≫
サポーターに実演販売プロモーター登場 □
インスクエアには、サポーターという組織があるのをご存知ですか？
めったに出会えないその道のプロに相談できる出会いを作ります。
今回は「実演販売」です。
「実演販売」ってなんだ？って思われる方どうぞこちらのレポートを
ご覧ください。
インスクエア上野 第1回交流会 □
インスクエア上野も利用者が増えてまいりまして第1回交流会が
行われました。
業界が違っても、インスクエアのアットホームな雰囲気を気に入り、
不忍の池を見下ろすあの環境を好んで入居された方々には不思議と
思いが通じ合うものです。
そんな交流会からまた新しい刺激が始まりました。
交流会レポートご覧ください
≪インスクエア上野、横浜関内のお知らせ≫
横浜エリアのビジネスゾーン関内に『インスクエア横浜関内』
上野駅近く不忍の池を見下ろす絶好のビジネス環境に
『インスクエア上野』がオープン。
この二つの施設には初の試み盛りだくさん
いままでのレンタルオフィスの感覚を覆すコストパフォーマンスです。
ワンランク上の大人のデザインなのに超格安
横浜関内 http://in-sq.com/kannai/index.html
上野 http://in-sq.com/ueno/index.html
窓面が多い大型施設 抜群の明るさ
低価格ハイグレードのコストパフォーマンス
Ｗ１４００の大型デスクでゆったり執務
※ただ今オープンキャンペーンを実施しています。【無料特典】多数あります
この機会に是非見学にお越しください
お問い合わせは、０３－６８６８－４３４４ まで。
★インスクエア 関連WEBサイト★
【インスクエア池袋公式サイト】
http://in-sq.com/index.html
【オフィス探しのポ－タルサイト】
http://www.at-office.co.jp/
【レンタル会議室探すならアットビジネスセンター】
http://abc-kaigishitsu.com/
【インスクエア公式サポーター 営業支援担当（株）東京事務所】
http://www.tokyojimusyo.com/
【ビジネスコンテンツアグリゲーション（株）ＰＤＢマーケティング】
http://www.p-db-m.com/
【インスクエア公式サポーター ＩＴ担当（株）ＣＮＥＴメディアサービス】
http://www.cnet-media.co.jp/
■━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━■
インスクエアでは、世代を超えたビジネス情報・国境を超えた
アジア最新情報、営業支援情報など有益なビジネス情報をお届けいたします。
メルマガ購読申込はこちら http://melmaga.in-sq.net/
バックナンバーもございます
┏━━┓━━━━━━━━━━━━━━━━━━━━━━━━━━━━
┃＼／┃本メルマガへのご意見・ご感想・ご質問はこちらまで
┗━━┛ ->> info@in-sq.com
￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣
このメールは送信専用メールアドレスから配信されています。
ご返信いただいてもお答えできませんのでご了承ください。
■━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━■
【インスクエア運営事務局】
株式会社アットオフィス
e-mail: info@in-sq.com URL: http://in-sq.com/index.html
■━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━■
無断での複製、転載を禁じます。本情報は、情報の提供のみを目的に作成され
たものであり、何らかの行動を勧誘するものではありません。また、本情報は、
信頼できると思われる情報に基づいて作成されていますが、弊社は、その正確
性を保証するものではありません。
Copyright(C) at-office co.ltd. All Rights Reserved.
