mirror of
https://activitypub.software/TransFem-org/Sharkey
synced 2024-11-24 23:15:13 +00:00
✌️
This commit is contained in:
syuilo
parent
1e3f93d68e
commit
9a0a2fdd85
2 changed files with 79 additions and 57 deletions
|
|
@ -121,6 +121,7 @@
|
|||
"is-url": "1.2.2",
|
||||
"js-yaml": "3.9.1",
|
||||
"mecab-async": "^0.1.0",
|
||||
"moji": "^0.5.1",
|
||||
"mongodb": "2.2.31",
|
||||
"monk": "6.0.3",
|
||||
"morgan": "1.8.2",
|
||||
|
|
|
|||
|
|
@ -1,8 +1,12 @@
|
|||
const moji = require('moji');
|
||||
|
||||
const MeCab = require('./mecab');
|
||||
import Post from '../../api/models/post';
|
||||
import User from '../../api/models/user';
|
||||
import parse from '../../api/common/text';
|
||||
|
||||
process.on('unhandledRejection', console.dir);
|
||||
|
||||
const stopwords = [
|
||||
'ー',
|
||||
|
||||
|
|
@ -16,7 +20,8 @@ const stopwords = [
|
|||
'ら', 'たり', 'その他', 'に関する', 'たち', 'ます', 'ん', 'なら', 'に対して', '特に',
|
||||
'せる', '及び', 'これら', 'とき', 'では', 'にて', 'ほか', 'ながら', 'うち', 'そして',
|
||||
'とともに', 'ただし', 'かつて', 'それぞれ', 'または', 'お', 'ほど', 'ものの', 'に対する',
|
||||
'ほとんど', 'と共に', 'といった', 'です', 'とも', 'ところ', 'ここ', '感じ', '気持ち',
|
||||
'ほとんど', 'と共に', 'といった', 'です', 'とも', 'ところ', 'ここ', '感じ', '気持ち',
|
||||
'あと', '自分',
|
||||
|
||||
'about', 'after', 'all', 'also', 'am', 'an', 'and', 'another', 'any', 'are', 'as', 'at', 'be',
|
||||
'because', 'been', 'before', 'being', 'between', 'both', 'but', 'by', 'came', 'can',
|
||||
|
|
@ -47,10 +52,16 @@ function tokenize(text: string) {
|
|||
const tokens = mecab.parseSync(plain)
|
||||
// キーワードのみ
|
||||
.filter(token => token[1] == '名詞' && (token[2] == '固有名詞' || token[2] == '一般'))
|
||||
// 取り出し
|
||||
.map(token => token[0].toLowerCase())
|
||||
// ストップワード
|
||||
.filter(word => stopwords.indexOf(word) === -1 && word.length > 1);
|
||||
// 取り出し(&整形(全角を半角にしたり大文字を小文字で統一したり))
|
||||
.map(token => moji(token[0]).convert('ZE', 'HE').convert('HK', 'ZK').toString().toLowerCase())
|
||||
// ストップワードなど
|
||||
.filter(word =>
|
||||
stopwords.indexOf(word) === -1 &&
|
||||
word.length > 1 &&
|
||||
word.indexOf('！') === -1 &&
|
||||
word.indexOf('!') === -1 &&
|
||||
word.indexOf('？') === -1 &&
|
||||
word.indexOf('?') === -1);
|
||||
|
||||
return tokens;
|
||||
}
|
||||
|
|
@ -65,7 +76,13 @@ User.find({}, {
|
|||
|
||||
const x = cb => {
|
||||
if (++i == users.length) return cb();
|
||||
extractKeywordsOne(users[i]._id, () => x(cb));
|
||||
extractKeywordsOne(users[i]._id).then(() => x(cb), err => {
|
||||
console.error(err);
|
||||
setTimeout(() => {
|
||||
i--;
|
||||
x(cb);
|
||||
}, 1000);
|
||||
});
|
||||
};
|
||||
|
||||
x(() => {
|
||||
|
|
@ -73,61 +90,65 @@ User.find({}, {
|
|||
});
|
||||
});
|
||||
|
||||
async function extractKeywordsOne(id, cb) {
|
||||
process.stdout.write(`extracting keywords of ${id} ...`);
|
||||
function extractKeywordsOne(id) {
|
||||
return new Promise(async (resolve, reject) => {
|
||||
process.stdout.write(`extracting keywords of ${id} ...`);
|
||||
|
||||
// Fetch recent posts
|
||||
const recentPosts = await Post.find({
|
||||
user_id: id,
|
||||
text: {
|
||||
$exists: true
|
||||
}
|
||||
}, {
|
||||
sort: {
|
||||
_id: -1
|
||||
},
|
||||
limit: 10000,
|
||||
fields: {
|
||||
_id: false,
|
||||
text: true
|
||||
}
|
||||
});
|
||||
|
||||
// 投稿が少なかったら中断
|
||||
if (recentPosts.length < 300) {
|
||||
process.stdout.write(' >>> -\n');
|
||||
return cb();
|
||||
}
|
||||
|
||||
const keywords = {};
|
||||
|
||||
// Extract keywords from recent posts
|
||||
recentPosts.forEach(post => {
|
||||
const keywordsOfPost = tokenize(post.text);
|
||||
|
||||
keywordsOfPost.forEach(keyword => {
|
||||
if (keywords[keyword]) {
|
||||
keywords[keyword]++;
|
||||
} else {
|
||||
keywords[keyword] = 1;
|
||||
// Fetch recent posts
|
||||
const recentPosts = await Post.find({
|
||||
user_id: id,
|
||||
text: {
|
||||
$exists: true
|
||||
}
|
||||
}, {
|
||||
sort: {
|
||||
_id: -1
|
||||
},
|
||||
limit: 10000,
|
||||
fields: {
|
||||
_id: false,
|
||||
text: true
|
||||
}
|
||||
});
|
||||
});
|
||||
|
||||
// Sort keywords by frequency
|
||||
const keywordsSorted = Object.keys(keywords).sort((a, b) => keywords[b] - keywords[a]);
|
||||
|
||||
// Lookup top 10 keywords
|
||||
const topKeywords = keywordsSorted.slice(0, 10);
|
||||
|
||||
process.stdout.write(' >>> ' + topKeywords.join(', ') + '\n');
|
||||
|
||||
// Save
|
||||
User.update({ _id: id }, {
|
||||
$set: {
|
||||
keywords: topKeywords
|
||||
// 投稿が少なかったら中断
|
||||
if (recentPosts.length < 300) {
|
||||
process.stdout.write(' >>> -\n');
|
||||
return resolve();
|
||||
}
|
||||
}).then(() => {
|
||||
cb();
|
||||
|
||||
const keywords = {};
|
||||
|
||||
// Extract keywords from recent posts
|
||||
recentPosts.forEach(post => {
|
||||
const keywordsOfPost = tokenize(post.text);
|
||||
|
||||
keywordsOfPost.forEach(keyword => {
|
||||
if (keywords[keyword]) {
|
||||
keywords[keyword]++;
|
||||
} else {
|
||||
keywords[keyword] = 1;
|
||||
}
|
||||
});
|
||||
});
|
||||
|
||||
// Sort keywords by frequency
|
||||
const keywordsSorted = Object.keys(keywords).sort((a, b) => keywords[b] - keywords[a]);
|
||||
|
||||
// Lookup top 10 keywords
|
||||
const topKeywords = keywordsSorted.slice(0, 10);
|
||||
|
||||
process.stdout.write(' >>> ' + topKeywords.join(', ') + '\n');
|
||||
|
||||
// Save
|
||||
User.update({ _id: id }, {
|
||||
$set: {
|
||||
keywords: topKeywords
|
||||
}
|
||||
}).then(() => {
|
||||
resolve();
|
||||
}, err => {
|
||||
reject(err);
|
||||
});
|
||||
});
|
||||
}
|
||||
|
|
|
|||
Loading…
Reference in a new issue