言語処理100本ノックは，
実践的な課題に取り組みながら，プログラミング，データ分析，研究のスキルを楽しく習得することを目指した問題集です。
100 Language Processing Knocks is a collection of problems aimed at learning programming, data analysis, and research skills in a fun way while working on practical tasks.
This collection is from the Communication Science Laboratory (Inui-Suzuki Lab).
语言处理一百击是一套旨在 于应对实际任务的过程中 以有趣的方式 学习编程、数据分析和研究技能的习题集。
习题集来自日本东北大学的通讯科学实验室（乾・鈴木研究室）。
素人と初心者。 詳細な説明（コードとファイル）については、各章のフォルダーを参照してください。
Amateur and novice. For detailed explanations (codes and files), please refer to the folder of each chapter.
业余新手。详细题解（代码以及文件）请参见每个章节的文件夹。
Preparation exercise
准备练习
Reverse string 逆置字符串
文字列"stressed"の文字を逆に（末尾から先頭に向かって）並べた文字列を得よ．
Obtain a string in which the characters in the string "stressed" are reversed
(from the end to the beginning).
从字符串"stressed"获得一个反转（从结尾到开头）的字符串。
「パタトクカシーー」という文字列の1,3,5,7文字目を取り出して連結した文字列を得よ．
Take the 1st, 3rd, 5th, and 7th characters of the character string "パタトクカシーー"
and obtain a concatenated character string.
取字符串“パタトクカシーー”的第1，第3，第5和第7个字符，以获得串联的字符串。
「パトカー」＋「タクシー」の文字を先頭から交互に連結して文字列「パタトクカシーー」を得よ．
Obtain the character string "パタトクカシーー"
by connecting the letters "パトカー" + "タクシー" alternately from the beginning.
通过从头开始交替连接“パトカー” +“タクシー”的字符来获取字符串“パタトクカシーー”。
"Now I need a drink, alcoholic of course, after the heavy lectures involving quantum mechanics."という文を単語に分解し，各単語の（アルファベットの）文字数を先頭から出現順に並べたリストを作成せよ．
Break the sentence
"Now I need a drink, alcoholic course, after the heavy lectures involving quantum mechanics."
into words, and make a list of the number of characters (in the alphabet)
of each word in order of appearance.
把句子“Now I need a drink, alcoholic of course, after the heavy lectures involving quantum mechanics.”
分解为单词，
并创建一个列表，其中是按从头开始出现的顺序排列的每个单词的字符数。
"Hi He Lied Because Boron Could Not Oxidize Fluorine.
New Nations Might Also Sign Peace Security Clause. Arthur King Can."
という文を単語に分解し，1, 5, 6, 7, 8, 9, 15, 16, 19番目の単語は先頭の1文字，
それ以外の単語は先頭に2文字を取り出し，
取り出した文字列から単語の位置（先頭から何番目の単語か）
への連想配列（辞書型もしくはマップ型）を作成せよ．
Break the sentence
"Hi He Lied Because Boron Could Not Oxidize Fluorine.
New Nations Might Also Sign Peace Security Clause. Arthur King Can."
into words.
Extract the first character of word 1, 5, 6, 7, 8, 9, 15, 16, 19,
the first two characters of other words.
And creat an associative array (dictionary or map type) of
the extracted string and the word position (the number of the word from the beginning).
获得句子“Hi He Lied Because Boron Could Not Oxidize Fluorine.
New Nations Might Also Sign Peace Security Clause. Arthur King Can.”
的第1、5、6、7、8、9、15、16、19 个单词的第一个字符，其他单词的前两个字符，
另外，对提取到的字符串和单词的位置（从头开始的单词次序）创建关联数组（字典或map类型）。
与えられたシーケンス（文字列やリストなど）からn-gramを作る関数を作成せよ．
この関数を用い，"I am an NLPer"という文から単語bi-gram，文字bi-gramを得よ．
Create a function to get n-gram from a given sequence (string, list, etc.).
Using this function, get the word bi-gram and character bi-gram
from the sentence "I am an NLPer".
创建一个函数，对给定的序列（字符串，列表等）得到n-gram。
使用此函数，从句子“I am a NLPer”中获取词bi-gram和字符bi-gram。
Set
"paraparaparadise"と"paragraph"に含まれる文字bi-gramの集合を，
それぞれ, XとYとして求め，XとYの和集合，積集合，差集合を求めよ．
さらに，'se'というbi-gramがXおよびYに含まれるかどうかを調べよ．
Find the set of character bi-grams
included in "paraparaparadise" and "paragraph" as X and Y,
respectively, find the union, intersection, and difference of X and Y.
In addition, check if the bi-gram 'se' is included in X and Y.
分别找到包含在“paraparaparadise”和“paragraph”中的字符bi-gram集合，作为X和Y，
并找到X和Y的并集，交集和差。
另外，检查X和Y中是否包含“se”的bi-gram。
Sentence generation by template
通过模板生成句子
引数x, y, zを受け取り「x時のyはz」という文字列を返す関数を実装せよ．
さらに，x=12, y="気温", z=22.4として，実行結果を確認せよ．
Implement a function that accepts the arguments x, y, z
and returns the string "x時のyはz".
Check the execution result with x=12, y="気温", z=22.4.
实现一个接受参数x，y，z并返回字符串“x時のyはz”的函数。
用x=12, y="気温", z=22.4测试结果。
Cryptogram
密文
与えられた文字列の各文字を，以下の仕様で変換する関数cipherを実装せよ．
Implement the cipher function that converts each character
of the given string according to the following specifications.
实现加密功能，该功能将根据以下规范转换给定字符串的每个字符。
英小文字ならば(219 - 文字コード)の文字に置換
If lowercase, replace with (219-character code)
替换小写字母（219 - ASCII）
-
その他の文字はそのまま出力
Other characters are output as it is
其他字符按原样输出 -
この関数を用い，英語のメッセージを暗号化・復号化せよ．
Use this function to encrypt and decrypt English messages.
使用此功能可以加密和解密英文消息。
スペースで区切られた単語列に対して，
各単語の先頭と末尾の文字は残し，
それ以外の文字の順序をランダムに並び替えるプログラムを作成せよ．
ただし，長さが４以下の単語は並び替えないこととする．
適当な英語の文（例えば
"I couldn't believe that I could actually understand what I was reading :
the phenomenal power of the human mind ."
）を与え，
その実行結果を確認せよ．
For a word sequence separated by spaces,
write a program that leaves the characters at the beginning and end of each word
and rearranges the order of the other characters randomly.
However, words with a length of 4 or less are not sorted.
Give an appropriate English sentence (eg,
"I couldn't believe that I could actually understand what I was reading:
the phenomenal power of the human mind."
) And check the results.
对于由空格分隔的单词序列，创建一个程序，
该程序保留每个单词开头和结尾的字符，
并随机重新排列其他字符的顺序。
但是，长度不超过4的单词不会被重排。
应用于一个适当的英语句子（例如，
“I couldn't believe that I could actually understand what I was reading :
the phenomenal power of the human mind .”
）然后检查结果。
hightemp.txtは，
日本の最高気温の記録を「都道府県」「地点」「℃」「日」のタブ区切り形式で格納したファイルである．
以下の処理を行うプログラムを作成し，
hightemp.txtを入力ファイルとして実行せよ．
さらに，同様の処理をUNIXコマンドでも実行し，プログラムの実行結果を確認せよ．
hightemp.txt
is a file that stores the record of the highest temperature in Japan
in the tab-delimited format of "prefecture", "point", "℃", and "day".
Create a program that performs the following processing and execute hightemp.txt as an input file.
In addition, execute the same process using UNIX commands
and check the execution result of the program.
hightemp.txt
是一份以制表符分隔的格式存储“日本最高温度”的文件，
格式为“县”，“地点”，“°C”和“日期”。
创建可执行以下处理的程序，并以hightemp.txt为输入文件。
另外，使用UNIX命令执行相同的处理并检查程序的执行结果。
Row count
计算行数
行数をカウントせよ．確認にはwcコマンドを用いよ．
Count the number of lines. Use wc command for confirmation.
计算行数。 使用wc命令进行确认。
Replace tabs with spaces
用空格替换制表符
タブ1文字につきスペース1文字に置換せよ．
確認にはsedコマンド，trコマンド，もしくはexpandコマンドを用いよ．
Replace each tab with one space.
Use the sed command, tr command, or expand command for confirmation.
将每个制表符替换为一个空格。 使用sed，tr 或 expand命令进行确认。
Save the first column in col1.txt and the second column in col2.txt
将第一列保存在col1.txt中，将第二列保存在col2.txt中
各行の1列目だけを抜き出したものをcol1.txtに，
2列目だけを抜き出したものをcol2.txtとしてファイルに保存せよ．
確認にはcutコマンドを用いよ．
Save only the first column of each row to col1.txt and save the second column to col2.txt.
Use the cut command for confirmation.
仅将每行的第一列保存到col1.txt，将第二列保存到col2.txt。
使用cut命令进行确认。
merge col1.txt and col2.txt
合并col1.txt和col2.txt
12で作ったcol1.txtとcol2.txtを結合し，
元のファイルの1列目と2列目をタブ区切りで並べたテキストファイルを作成せよ．
確認にはpasteコマンドを用いよ．
Combine col1.txt and col2.txt created in step 12,
and create a text file in which the first and second columns of the original file are tab-separated.
Use the paste command for confirmation.
合并在步骤12中创建的col1.txt和col2.txt为一个文本文件，
其中原始文件的第一和第二列用制表符分隔。使用paste命令进行确认。
Output first N lines
输出前N行
自然数Nをコマンドライン引数などの手段で受け取り，
入力のうち先頭のN行だけを表示せよ．確認にはheadコマンドを用いよ．
Receive the natural number N by means of a command line argument or other means
and display only the first N lines of the input.
Use the head command for confirmation.
通过命令行参数或其他方式获取自然数N，
只显示输入的前N行。
使用head命令进行确认。
Output last N lines
输出后N行
自然数Nをコマンドライン引数などの手段で受け取り，
入力のうち末尾のN行だけを表示せよ．
確認にはtailコマンドを用いよ．
Receive the natural number N by means of command line arguments or other means
and display only the last N lines of the input.
Use the tail command for confirmation.
通过命令行参数或其他方式获取自然数N，
只显示输入文件的后N行。
使用tail命令进行确认。
Divide files into N parts
将文件分成N个
自然数Nをコマンドライン引数などの手段で受け取り，
入力のファイルを行単位でN分割せよ．
同様の処理をsplitコマンドで実現せよ．
Receive the natural number N by means of command line arguments
and divide the input file into N lines.
Perform the same processing with the split command.
通过命令行参数获取自然数N并将输入文件分为N行。
使用split命令执行相同的处理。
Difference of the string in column
第一个字符串的差异
1列目の文字列の種類（異なる文字列の集合）を求めよ．確認にはsort, uniqコマンドを用いよ．
Find the type of string in the first column (a set of different strings).
Use the sort and uniq commands for confirmation.
找到第一列中字符串的（一个不同字符串的集合）种类。
使用sort和uniq命令进行确认。
Sort each row in descending order of the numerical value in the third column
按第三列中数值的降序对每一行进行排序
各行を3コラム目の数値の逆順で整列せよ（注意: 各行の内容は変更せずに並び替えよ）．
確認にはsortコマンドを用いよ（この問題はコマンドで実行した時の結果と合わなくてもよい）.
Sort each line in the reverse order of the numerical values in the third column.
(Note: Sort without changing the contents of each line.)
Use the sort command for confirmation
(this problem does not have to match the result of running the command).
按第三列中数值的相反顺序对每行进行排序（注意：在不更改每行内容的情况下进行排序）。
使用sort命令进行确认（此问题不必与运行命令行的结果相匹配）。
Obtain the frequency of appearance of the character string
in the first column of each line,
and arrange them in descending order of frequency
获取每行第一列中字符串出现的频率，并按频率降序排列
各行の1列目の文字列の出現頻度を求め，
その高い順に並べて表示せよ．
確認にはcut, uniq, sortコマンドを用いよ．
Find the appearance frequency of the character string in the first column of each line,
and display them in descending order. Use the cut, uniq, and sort commands for confirmation.
查找每行中第一列中字符串的出现频率，
并以降序显示。
使用cut，uniq和sort命令进行确认。
Regular Expression
正则表达式
Wikipediaの記事を以下のフォーマットで書き出したファイル
There is a file
jawiki-country.json.gz
which is a Wikipedia article written in the following format.
jawiki-country.json.gzがある.
有一个文件
jawiki-country.json.gz
，它是维基百科的文章，格式如下。
-
1行に1記事の情報がJSON形式で格納される
Information of one article is stored in JSON format per line
每行一篇文章的信息以JSON格式存储 -
各行には記事名が"title"キーに，記事本文が"text"キーの辞書オブジェクトに格納され，そのオブジェクトがJSON形式で書き出される
In each line, the article name is stored in the dictionary object with the key "title" and the body of the article in the key "text", and the object is written out in JSON format.
在每一行中，文章名称都存储在字典对象中，其关键字为“title”，文章的主体为关键字“ text”，并且该对象以JSON格式存储。 -
ファイル全体はgzipで圧縮される以下の処理を行うプログラムを作成せよ．
The whole file is compressed with gzip. Create a program that performs the following processing.
整个文件使用gzip压缩，请创建一个程序来执行以下处理。
Reading JSON data
读取JSON数据
Wikipedia記事のJSONファイルを読み込み，
「イギリス」に関する記事本文を表示せよ．
問題21-29では，ここで抽出した記事本文に対して実行せよ．
Read the JSON file of the Wikipedia article and display the article text about "United Kingdom".
In questions 21-29, process the article body extracted here.
读取Wikipedia文章的JSON文件，
并显示有关“ United Kingdom”的文章文本。
在问题21-29中，对此处提取的文章正文执行操作。
Extract rows containing category names
提取包含 category 名称的行
記事中でカテゴリ名を宣言している行を抽出せよ．
Extract the line that declares the category name in the article.
提取在文章中声明 category 名称的行。
Extract category name
提取 category 名称
記事のカテゴリ名を（行単位ではなく名前で）抽出せよ．
Extract the article category names (by name, not line by line).
提取文章类别名称（按名称，而不是逐行）。
Section structure
章节结构
記事中に含まれるセクション名とそのレベル（例えば"== セクション名 =="なら1）を表示せよ．
Display the section name and its level included in the article (for example, 1 if "== section name ==").
显示文章中包含的章节名称及其级别（例如，如果"==节名称=="，则为1）。
Extract file references
提取文件引用
記事から参照されているメディアファイルをすべて抜き出せ．
Extract all media files referenced in the article.
提取本文中引用的所有媒体文件。
Extract template
提取模板
記事中に含まれる「基礎情報」テンプレートのフィールド名と値を抽出し，
辞書オブジェクトとして格納せよ．
Extract the field names and values of the "基礎情報" template included in the article
and store them as dictionary objects.
提取文章中包含的“基本信息”模板的字段名称和内容，并将其存储为字典对象。
Remove emphasis markup
删除强调标记
25の処理時に，
テンプレートの値からMediaWikiの強調マークアップ（弱い強調，強調，強い強調のすべて）を除去して
テキストに変換せよ（参考: マークアップ早見表）．
In Step 25,
remove MediaWiki's emphasis markup (weak emphasis, emphasis, and strong emphasis)
from the template value and convert it to text.
从模板的内容中删除MediaWiki强调标记（弱强调，强调，强强调），
并在处理25（参考：标记快速参考表）期间将其转换为文本。
weak emphasis ''italics''
emphasis '''bold'''
strong emphasis '''''both'''''
Removal of internal links
删除内部链接
26の処理に加えて，
テンプレートの値からMediaWikiの内部リンクマークアップを除去し，
テキストに変換せよ（参考: マークアップ早見表）．
In addition to the processing of 26,
remove MediaWiki's internal link markup from the template value and convert it to text.
在步骤26之上，从模板内容中删除MediaWiki的内部链接标记，
并将其转换为文本（参考：快速参考标记）。
MediaWiki's internal link markup [[]]
Remove MediaWiki markup
删除MediaWiki标记
27の処理に加えて，
テンプレートの値からMediaWikiマークアップを可能な限り除去し，
国の基本情報を整形せよ．
In addition to the processing of 27,
remove MediaWiki markup from template values as much as possible,
and format basic country information.
在步骤27之上，尽可能从模板值中删除MediaWiki标记，并调整基本国家/地区信息的格式。
Get URL of national flag image
获取国旗图片的URL
テンプレートの内容を利用し，国旗画像のURLを取得せよ．
（ヒント: MediaWiki APIのimageinfoを呼び出して，ファイル参照をURLに変換すればよい）
Get the URL of the flag image using the contents of the template.
(Hint: Call imageinfo of MediaWiki API to convert file references to URLs)
使用模板的内容获取国旗图像的URL。
（提示：调用MediaWiki API的imageinfo将文件引用转换为URL）
Morphological analysis
形态分析
夏目漱石の小説『吾輩は猫である』の文章
（neko.txt）をMeCabを使って形態素解析し，
その結果をneko.txt.mecabというファイルに保存せよ．
このファイルを用いて，以下の問に対応するプログラムを実装せよ．
Morphologically analyze the text(neko.txt)
of Soseki Natsume's novel "I am a cat" using MeCab,
and save the results in a file called neko.txt.mecab.
Use this file to implement a program that addresses the following questions.
使用MeCab对夏目漱石的小说“我是猫”的文本
（neko.txt）进行形态分析，
并将结果保存在名为neko.txt.mecab的文件中。 使用此文件实现解决以下问题的程序：
なお，問題37, 38, 39はmatplotlibもしくはGnuplotを用いるとよい．
For problems 37, 38, and 39, use matplotlib
or Gnuplot.
对于步骤37、38和39，使用matplotlib
或Gnuplot。
Read morphological analysis results
形態素解析結果の読み込み
形態素解析結果（neko.txt.mecab）を読み込むプログラムを実装せよ．
ただし，各形態素は表層形（surface），
基本形（base），品詞（pos），
品詞細分類1（pos1）をキーとするマッピング型に格納し，
1文を形態素（マッピング型）のリストとして表現せよ．
第4章の残りの問題では，ここで作ったプログラムを活用せよ．
Implement a program that reads the result of morphological analysis (neko.txt.mecab).
However, each morpheme is stored in a mapping type with the surface type (surface),
basic type (base), part of speech (pos),
and part of speech class 1 (pos1) as keys,
and one sentence is represented as a list of morphemes (mapping type) Please.
Use the program you created here for the rest of Chapter 4.
实现一个程序，用以读取形态分析的结果（neko.txt.mecab）。
另外，每个语素都以映射类型存储，其中以
表层类型（surface），
基本类型（base），词性（pos）和词性分类1（pos1）作为键值，
并且一个句子表示为一组语素（映射类型）。
将此处创建的程序用于第4章的其余部分。
verb
动词
動詞の表層形をすべて抽出せよ．
Extract all verb surface forms.
提取所有动词的表层形式。
Verb form
动词原形
動詞の原形をすべて抽出せよ．
Extract all verb forms.
提取所有动词的原型。
nouns which verbs can be formed by adding "する" to
可以通过后加“する”变成动词的名词
サ変接続の名詞をすべて抽出せよ．
Extract all nouns which verbs can be formed by adding "する" to.
提取所有可以通过后加“する”变成动词的名词。
2つの名詞が「の」で連結されている名詞句を抽出せよ．
Extract a noun phrase where two nouns are connected by "の".
提取由“の”连接的名词词组
Noun concatenation
名词串联
名詞の連接（連続して出現する名詞）を最長一致で抽出せよ．
Extract the concatenation of nouns (nouns that appear consecutively) with the longest match.
提取最长的串联的名词词组
Occurrence of ward
词的出现频率
文章中に出現する単語とその出現頻度を求め，
出現頻度の高い順に並べよ．
Find the words that appear in the text and their frequency of occurrence,
and arrange them in descending order of frequency of appearance.
找到出现在文本中的单词及其出现的频率，
并按照出现频率的降序排列它们。
The 10 most frequently occurring words
词频最高的10个词
出現頻度が高い10語とその出現頻度をグラフ（例えば棒グラフなど）で表示せよ．
Display the 10 most frequently occurring words and their frequency of occurrence
in a graph (eg a bar graph).
在图（例如条形图）中展示10个最频繁出现的单词及其出现频率。
histogram
直方图
単語の出現頻度のヒストグラム
（横軸に出現頻度，縦軸に出現頻度をとる単語の種類数を棒グラフで表したもの）を描け．
Draw a histogram of the frequency of occurrence of the word
(the horizontal axis represents the frequency of appearance,
and the vertical axis represents the number of types of words
whose appearance frequency is represented by a bar graph).
绘制词频直方图
（横轴表示出现频率，纵轴表示出现频率以条形图表示的单词种数）。
Zipf's law
齐夫定律
単語の出現頻度順位を横軸，
その出現頻度を縦軸として，両対数グラフをプロットせよ．
Plot a log-logarithmic graph with the frequency of occurrence
of words on the horizontal axis and the frequency of occurrence on the vertical axis.
用横轴表示按词频顺序排列的词，
竖轴表示词对应的词频，绘制对数图。
Chapter 5: Dependency Analysis
第5章：依存句法分析
夏目漱石の小説『吾輩は猫である』の文章（neko.txt）をCaboChaを使って係り受け解析し，その結果をneko.txt.cabochaというファイルに保存せよ．このファイルを用いて，以下の問に対応するプログラムを実装せよ．
Analysis dependency of the text（neko.txt）of Soseki Natsume's novel "I am a cat" using CaboCha, and save the result in a file called neko.txt.cabocha. Use this file to implement a program that addresses the following questions:
使用 CaboCha 对夏目漱石的小说《我是猫》的文本（neko.txt）进行依存句法分析，并将结果保存在名为 neko.txt.cabocha 的文件中。 使用此文件实现解决以下问题的程序：
Reading dependency analysis results (morpheme)
读取依存关系分析结果（语素）
形態素を表すクラスMorphを実装せよ．このクラスは表層形（surface），基本形（base），品詞（pos），品詞細分類1（pos1）をメンバ変数に持つこととする．さらに，CaboChaの解析結果（neko.txt.cabocha）を読み込み，各文をMorphオブジェクトのリストとして表現し，3文目の形態素列を表示せよ．
Implement the class Morph that represents a morpheme. This class has surface, base, part of speech (pos), and part of speech classification 1 (pos1) as member variables. In addition, read the analysis result of CaboCha (neko.txt.cabocha), store each sentence as a list of Morph objects, and display the morpheme sequence of the third sentence.
实现代表词素的类Morph。 此类具有surface，base，pos（词性）和pos1作为成员变量。
另外，读取 CaboCha（neko.txt.cabocha）的分析结果，将每个句子存储为Morph对象列表，并显示第三个句子的词素列表。
Reading dependency analysis results (phrase / dependency)
读取依存关系分析结果（短语/依存关系）
40に加えて，文節を表すクラスChunkを実装せよ．このクラスは形態素（Morphオブジェクト）のリスト（morphs），係り先文節インデックス番号（dst），係り元文節インデックス番号のリスト（srcs）をメンバ変数に持つこととする．さらに，入力テキストのCaboChaの解析結果を読み込み，１文をChunkオブジェクトのリストとして表現し，8文目の文節の文字列と係り先を表示せよ．第5章の残りの問題では，ここで作ったプログラムを活用せよ．
In addition to 40, implement a class Chunk that represents a clause. This class shall have a list of morphemes (Morph objects) (morphs), a target clause index number (dst), and a list of source clause index numbers (srcs) as member variables. Furthermore, read the analysis result of CaboCha of the input text, express one sentence as a list of Chunk objects, and display the character string of the eighth sentence and the destination. Use the program you created here for the rest of Chapter 5.
在40的基础上，实现代表词组的Chunk类。
此类拥有一个词素(40中的Morph对象)列表（morphs），一个目标词组索引号（dst）和一个依存关系源词组索引号（srcs）作为成员变量。
之后，读取输入文本的CaboCha的分析结果，将一个句子表示为Chunk对象的列表，并显示第八句的dst和srcs。
将这里创建的程序用于第5章的其余部分。
Display of source and destination clauses
显示源词组和目的词组
係り元の文節と係り先の文節のテキストをタブ区切り形式ですべて抽出せよ．ただし，句読点などの記号は出力しないようにせよ．
Extract all the text of the source and destination clauses in tab-delimited format. However, do not output symbols such as punctuation marks.
以制表符分隔的格式提取源词组和目标词组的所有文本。 但是，请勿输出标点符号等符号。
Extract clauses containing nouns related to clauses containing verbs
抽取出包含名词且目的词组包含动词的词组
名詞を含む文節が，動詞を含む文節に係るとき，これらをタブ区切り形式で抽出せよ．ただし，句読点などの記号は出力しないようにせよ．
When a phrase containing a noun pertains to a phrase containing a verb, extract them in tab-delimited format. However, do not output symbols such as punctuation marks.
当包含名词的短语与包含动词的短语相关时，请以制表符分隔的格式提取它们。 但是，请勿输出标点符号等符号。
Visualization of dependency trees 依存句法树的可视化
与えられた文の係り受け木を有向グラフとして可視化せよ．可視化には，係り受け木をDOT言語に変換し，Graphvizを用いるとよい．また，Pythonから有向グラフを直接的に可視化するには，pydotを使うとよい．
Visualize the dependency tree of a given sentence as a directed graph. For visualization, convert the dependency tree to the DOT language and use Graphviz. You can also use pydot to visualize directed graphs directly from Python.
将给定句子的依存关系树可视化为有向图。 为了可视化，将依赖关系树转换为DOT语言并使用Graphviz。还可以使用pydot直接用Python可视化有向图。
今回用いている文章をコーパスと見なし，日本語の述語が取りうる格を調査したい．
動詞を述語，動詞に係っている文節の助詞を格と考え，述語と格をタブ区切り形式で出力せよ．
ただし，出力は以下の仕様を満たすようにせよ．
Consider the sentences used this time as a corpus and want to investigate the possible cases of Japanese predicates.
Think of a verb as a predicate and a particle in a clause related to the verb as a case,
and output the predicate and the case in tab-separated format.
However, the output should satisfy the following specifications.
将这次使用的句子视为语料库，并希望调查日语谓语的可能情况。 将动词视为谓词，并将与该动词相关的从句中的质点作为格，并以制表符分隔的格式输出谓词和格。 但是，输出应满足以下规格。
-
動詞を含む文節において，最左の動詞の基本形を述語とする
In a clause containing a verb, use the basic form of the leftmost verb as a predicate
在包含动词的子句中，使用最左边动词的基本形式作为谓词 -
述語に係る助詞を格とする
The case of a particle associated with a predicate
谓词的情况 -
述語に係る助詞（文節）が複数あるときは，すべての助詞をスペース区切りで辞書順に並べる
When there are multiple particles (clauses) related to a predicate, all particles are arranged in dictionary order with space delimiters
当有多个与谓词相关的助词（子句）时，所有助词均按字典顺序排列，并带有空格分隔符
「吾輩はここで始めて人間というものを見た」という例文（neko.txt.cabochaの8文目）を考える． この文は「始める」と「見る」の２つの動詞を含み，「始める」に係る文節は「ここで」，「見る」に係る文節は「吾輩は」と「ものを」と解析された場合は，次のような出力になるはずである．
Consider the example sentence (the eighth sentence of neko.txt.cabocha), "吾輩はここで始めて人間というものを見た". This sentence contains two verbs, "始める" and "見る", and the phrase for "始める" is analyzed as "ここで", and the phrase for "見る" is analyzed as "吾輩は" and "ものを". Should produce the following output:
考虑例句（neko.txt.cabocha的第八句），“吾輩はここで始めて人間というものを見た”。 该句子包含两个动词“始める”和“見る”，“始める”的词组中助词被分析为“ここで”，而“見る”的短语中被分析为“吾輩は”和“ものを”。 应按以下输出：
始める で
見る は を
このプログラムの出力をファイルに保存し，以下の事項をUNIXコマンドを用いて確認せよ．
Save the output of this program to a file and check the following using UNIX commands.
将该程序的输出保存到文件中，然后使用UNIX命令检查以下内容。
-
コーパス中で頻出する述語と格パターンの組み合わせ
Combinations of predicates and case patterns that occur frequently in the corpus
语料库中频繁出现的谓词和案例模式的组合 -
「する」「見る」「与える」という動詞の格パターン（コーパス中で出現頻度の高い順に並べよ）
Case patterns of verbs "する", "見る" and "与える" (arrange in descending order of appearance frequency in the corpus)
动词“する”，“見る”和“与える”的格模式（在语料库中以频率降序排列）
Extraction of verb case frame information
抽取动词格框架信息
45のプログラムを改変し，述語と格パターンに続けて項（述語に係っている文節そのもの）をタブ区切り形式で出力せよ．45の仕様に加えて，以下の仕様を満たすようにせよ．
Modify the 45 program and output the term (the clause itself related to the predicate) in tab-delimited format following the predicate and case pattern. Satisfy the following specifications in addition to the 45 specifications.
修改45的程序，并在谓词和格模式之后以制表符分隔的格式输出述语（与谓词相关的子句本身）。
除了45的格式外，还满足以下规格。
- 項は述語に係っている文節の単語列とする（末尾の助詞を取り除く必要はない）
The term is the word sequence of the phrase related to the predicate (the trailing particle need not be removed)
该项是与谓词相关的短语的词序（不需要删除其后的助词） - 述語に係る文節が複数あるときは，助詞と同一の基準・順序でスペース区切りで並べる
If there are multiple clauses related to the predicate, arrange them in the same criteria and order as the particles, separated by spaces.
如果存在与谓词相关的多个助词，请按照与该助词相同的条件和顺序排列它们，并用空格分隔。
「吾輩はここで始めて人間というものを見た」という例文（neko.txt.cabochaの8文目）を考える． この文は「始める」と「見る」の２つの動詞を含み，「始める」に係る文節は「ここで」，「見る」に係る文節は「吾輩は」と「ものを」と解析された場合は，次のような出力になるはずである．
Consider the example sentence (the eighth sentence of neko.txt.cabocha), "吾輩はここで始めて人間というものを見た".
This sentence contains two verbs, "始める" and "見る", and the phrase for "始める" is analyzed as "here", and the phrase for "見る" is analyzed as "吾輩は" and "ものを". Should produce the following output:
考虑例句（neko.txt.cabocha的第八句），“吾輩はここで始めて人間というものを見た”。 该句子包含两个动词“始める”和“見る”，“始める”的短语被分析为“ここで”，而“見る”的短语被分析为“吾輩は”和“ものを”。 应产生以下输出：
始める で ここで
見る は を 吾輩は ものを
Mining functional verb constructions
挖掘功能动词结构
動詞のヲ格にサ変接続名詞が入っている場合のみに着目したい．46のプログラムを以下の仕様を満たすように改変せよ． Focus only on the case where the verb contains the "サ変接続名詞". Modify the 46 programs to satisfy the following specifications. 仅关注动词包含"サ変接続名詞"的情况。 修改46的程序以满足以下规格。
-
「サ変接続名詞+を（助詞）」で構成される文節が動詞に係る場合のみを対象とする
Only when the phrase composed of "サ変接続名詞+を（助詞）" relates to a verb
仅当由“サ変接続名詞+を（助詞）”组成的短语与动词相关时 -
述語は「サ変接続名詞+を+動詞の基本形」とし，文節中に複数の動詞があるときは，最左の動詞を用いる
The predicate shall be "sa-modifying noun + + the basic form of the verb", and if there are multiple verbs in the phrase, use the leftmost verb 谓词应为“サ変接続名詞+を+動詞の基本形”，当短语中有多个动词时，使用最左边的动词。 -
述語に係る助詞（文節）が複数あるときは，すべての助詞をスペース区切りで辞書順に並べる When there are multiple particles (clauses) related to a predicate, all particles are arranged in dictionary order with space delimiters
当有多个与谓词相关的助词（子句）时，所有助词均按字典顺序排列，并带有空格分隔 -
述語に係る文節が複数ある場合は，すべての項をスペース区切りで並べる（助詞の並び順と揃えよ） If there are multiple clauses related to the predicate, list all terms separated by spaces (align with the order of particles)
如果存在与该谓词相关的多个子句，列出所有用空格分隔的谓词（与该助词的顺序对齐）
例えば「別段くるにも及ばんさと、主人は手紙に返事をする。」という文から，以下の出力が得られるはずである．
For example, the sentence "別段くるにも及ばんさと、主人は手紙に返事をする。" should produce the following output:
例如，句子“別段くるにも及ばんさと、主人は手紙に返事をする。”应该产生以下输出：
返事をする と に は 及ばんさと 手紙に 主人は
このプログラムの出力をファイルに保存し，以下の事項をUNIXコマンドを用いて確認せよ．
Save the output of the program to a file and check the following using UNIX commands.
将该程序的输出保存到文件中，然后使用UNIX命令检查以下内容。
-
コーパス中で頻出する述語（サ変接続名詞+を+動詞）
Frequent predicates in the corpus (サ変接続名詞+を+動詞)
语料库中的惯用谓词（サ変接続名詞+を+動詞） -
コーパス中で頻出する述語と助詞パターン
Frequent predicates and particle patterns in the corpus
语料库中的惯用谓词和助词模式
Extraction of path from noun to root
从名词到依存树根的路径提取
文中のすべての名詞を含む文節に対し，その文節から構文木の根に至るパスを抽出せよ.
ただし，構文木上のパスは以下の仕様を満たすものとする．
For a phrase containing all nouns in the sentence,
extract the path from that phrase to the root of the parse tree.
However, the path on the syntax tree shall satisfy the following specifications.
对于包含句子中所有名词的短语，提取从该短语到依存树的根的路径。 但是，依存句法树上的路径应满足以下规范。
-
各文節は（表層形の）形態素列で表現する
Each clause is represented by a morpheme sequence (surface type)
每个短语由一个语素序列（surface类型）表示 -
パスの開始文節から終了文節に至るまで，各文節の表現を"->"で連結する
From the start clause of the path to the end clause, connect the expressions of each clause with "->"
从路径的开始短语到结束短语，将每个短语的表达式用“->”连接
「吾輩はここで始めて人間というものを見た」という文（neko.txt.cabochaの8文目）から，
次のような出力が得られるはずである．
From the sentence "吾輩はここで始めて人間というものを見た" (the eighth sentence in neko.txt.cabocha),
you should get the following output:
对于句子“吾輩はここで始めて人間というものを見た”（neko.txt.cabocha中的第八句话），应该获得以下输出：
吾輩は -> 見た
ここで -> 始めて -> 人間という -> ものを -> 見た
人間という -> ものを -> 見た
ものを -> 見た
Extraction of dependency paths between nouns
提取名词之间的依赖路径
文中のすべての名詞句のペアを結ぶ最短係り受けパスを抽出せよ．
ただし，名詞句ペアの文節番号がiとj*（i<j）のとき，係り受けパスは以下の仕様を満たすものとする．
Extract the shortest dependency path that connects all pairs of noun phrases in the sentence. However, when the phrase numbers of the noun phrase pair are i and j (i<j), the dependency path shall satisfy the following specifications.
提取连接句子中所有成对名词短语的最短依赖路径。
但是，当名词短语对的短语编号为i和j（i<j）*时，从属路径应满足以下规范。
-
問題48と同様に，パスは開始文節から終了文節に至るまでの各文節の表現（表層形の形態素列）を"->"で連結して表現する
As in Question 48, the path is expressed by connecting the expressions of each clause from the start clause to the end clause (surface layer morpheme sequence) with "->"
如问题48所示，通过用“->”连接从开始子句到结束子句的每个子句的表达式（surface的morph序列）来表示路径。 -
文節iとjに含まれる名詞句はそれぞれ，XとYに置換する
Replace noun phrases in clauses i and j with X and Y, respectively
分别用X和Y替换短语i和j中的名词短语
また，係り受けパスの形状は，以下の2通りが考えられる．
The shape of the dependency path can be the following two types.
依存路径的形状可以是以下两种类型。
-
文節iから構文木の根に至る経路上に文節jが存在する場合: 文節iから文節jのパスを表示
If clause j exists on the path from clause i to the root of the syntax tree: display the path from clause i to clause j
如果短语i到依存语法树根的路径上存在短语j：显示从短语i到短语j的路径 -
上記以外で，文節iと文節jから構文木の根に至る経路上で共通の文節kで交わる場合: 文節iから文節kに至る直前のパスと文節jから文節kに至る直前までのパス，文節kの内容を"|"で連結して表示
Other than the above, when a common clause k intersects on the path from clause i to clause j to the root of the syntax tree: the path from clause i to clause k and the path from clause j to clause k, clause k Display the contents of "" concatenated with "|"
除上述之外，当公共短语k在从短语i到短语j到语法树的根的路径上相交时： 短语i到短语k之前的路径，短语j到短语k之前的路径以及短语k的内容用“ |”连接
例えば，「吾輩はここで始めて人間というものを見た。」という文（neko.txt.cabochaの8文目）から，次のような出力が得られるはずである．
For example, from the sentence "吾輩はここで始めて人間というものを見た。" (the eighth sentence in neko.txt.cabocha),
the following output should be obtained.
例如，句子“吾輩はここで始めて人間というものを見た。”（neko.txt.cabocha中的第八个句子）应产生以下输出。
Xは | Yで -> 始めて -> 人間という -> ものを | 見た
Xは | Yという -> ものを | 見た
Xは | Yを | 見た
Xで -> 始めて -> Y
Xで -> 始めて -> 人間という -> Y
Xという -> Y
Processing English text
处理英文文本
英語のテキスト（nlp.txt）に対して，
以下の処理を実行せよ．
Perform the following processing on the English text (nlp.txt).
对英文文本（nlp.txt）执行以下处理。
Sentence segment
断句
(. or ; or : or ? or !) → 空白文字 → 英大文字というパターンを文の区切りと見なし，
入力された文書を1行1文の形式で出力せよ．
(. or ; or : or ? or !) → space → uppercase letters should be regarded as a sentence delimiter,
and output the input document in the form of one sentence per line.
(. or ; or : or ? or !) → 空格 → 大写字母应视为句子定界符，并以每行一个句子的形式输出输入文档。
Word segmentation
分词
空白を単語の区切りとみなし，
50の出力を入力として受け取り，
1行1単語の形式で出力せよ．ただし，文の終端では空行を出力せよ．
Treat the space as a word delimiter,
take 50 outputs as input,
and output in the form of one word per line.
However, output a blank line at the end of the sentence.
将空白视为单词定界符，
以50个输出作为输入，
并以每行一个单词的形式输出。
但是，请在句子末尾输出空白行。
Stemming
抽取词干
51の出力を入力として受け取り，Porterのステミングアルゴリズムを適用し，
単語と語幹をタブ区切り形式で出力せよ．
Pythonでは，
Porterのステミングアルゴリズムの実装として
stemmingモジュールを利用するとよい．
Take the output of 51 as input,
apply Porter's stemming algorithm,
and output words and stems in tab-delimited format.
In Python, you can use the stemming
module to implement Porter stemming algorithm.
将51的输出作为输入，应用Porter词干抽取算法，
并以制表符分隔的格式输出单词和词干.
在Python中，可以使用stemming模块来实现Porter词干抽取算法。
标记化
Stanford Core NLPを用い，
入力テキストの解析結果をXML形式で得よ．
また，このXMLファイルを読み込み，入力テキストを1行1単語の形式で出力せよ．
Use Stanford Core NLP to get the result of parsing the input text in XML format.
Also read this XML file and output the input text in the form of one word per line.
使用Stanford Core NLP来获取将输入文本解析为XML格式的结果。
另外读取此XML文件，并以每行一个单词的形式输出输入的文本。
Part of speech tagging
词性标注
Stanford Core NLPの解析結果XMLを読み込み，
単語，レンマ，品詞をタブ区切り形式で出力せよ．
Read the analysis result XML of Stanford Core NLP and output words,
lemmas and parts of speech in tab-delimited format.
读取Stanford Core NLP的分析结果XML，
并以制表符分隔的格式输出单词，词条和词性。
Named entity extraction
命名实体提取
入力文中の人名をすべて抜き出せ．
Extract all the person names in the input sentence.
提取输入句子中的所有人员姓名。
Coreference analysis
共指消解
Stanford Core NLPの共参照解析の結果に基づき，
文中の参照表現（mention）を代表参照表現（representative mention）に置換せよ．
ただし，置換するときは，「代表参照表現（参照表現）」のように，
元の参照表現が分かるように配慮せよ．
Based on the results of the Stanford Core NLP co-reference analysis,
replace the reference in the text with a representative mention.
根据Stanford Core NLP共指消解的结果，
用具有代表性的指代（代表性指代）替换句子中的参考表达（指代）。
Dependency analysis
依存分析
Stanford Core NLPの係り受け解析の結果（collapsed-dependencies）
を有向グラフとして可視化せよ．
可視化には，係り受け木をDOT言語に変換し，
Graphvizを用いるとよい．
また，Pythonから有向グラフを直接的に可視化するには，
pydotを使うとよい．
Visualize the results of Stanford Core NLP's dependency analysis
(collapsed-dependencies) as a directed graph.
For visualization, convert the dependency tree to the DOT language and use Graphviz.
You can also use pydot to visualize directed graphs directly from Python.
将Stanford Core NLP的依存分析（折叠依存关系）结果可视化为有向图。
为了可视化，将依赖关系树转换为DOT语言并使用Graphviz。也可以使用pydot直接从Python可视化有向图。
Extract tuples
提取元组
Stanford Core NLPの係り受け解析の結果（collapsed-dependencies）に基づき，
「主語 述語 目的語」の組をタブ区切り形式で出力せよ．
ただし，主語，述語，目的語の定義は以下を参考にせよ．
Based on the results of the Stanford Core NLP dependency analysis (collapsed-dependencies),
output a set of "subject, predicate, object" in tab-delimited format.
Please refer to the following for the definition of the subject, predicate, and object.
根据Stanford Core NLP依赖性分析（折叠依赖性）的结果，
以制表符分隔的格式输出一组“主语，谓语，宾语”。
请参阅以下有关主语，谓语和宾语的定义。
-
述語: nsubj関係とdobj関係の子（dependant）を持つ単語
Predicate: words with children (dependant) of nsubj relation and dobj relation 谓语：带有nsubj关系和dobj关系的子项（从属）的单词 -
主語: 述語からnsubj関係にある子（dependent）
Subject: child with nsubj relationship from predicate (dependent)
主语：与谓语具有nsubj关系的孩子（从属） -
目的語: 述語からdobj関係にある子（dependent）
Object: child in dobj relationship from predicate (dependent) 宾语：谓语中的dobj关系中的子对象（从属）
Analysis of S-expression
S表达分析
Stanford Core NLPの句構造解析の結果（S式）を読み込み，
文中のすべての名詞句（NP）を表示せよ．
i入れ子になっている名詞句もすべて表示すること．
Read the result (S expression) of the phrase structure analysis of Stanford Core NLP
and display all noun phrases (NP) in the sentence.
Display all nested noun phrases.
读取Stanford Core NLP短语结构分析的结果（S表达式），
并在句子中显示所有名词短语（NP）。
显示所有嵌套的名词短语。
Database
数据库
artist.json.gzは，
オープンな音楽データベースMusicBrainzの中で，
アーティストに関するものをJSON形式に変換し，gzip形式で圧縮したファイルである．
このファイルには，1アーティストに関する情報が1行にJSON形式で格納されている．
An open music database MusicBrainz,
that converts artist-related data into JSON format and compresses it in gzip format
as artist.json.gz.
In this file, information about one artist is stored in one line in JSON format.
开放式音乐数据库MusicBrainz将与艺术家相关的数据转换为JSON格式，
并将其压缩为gzip格式。
在artist.json.gz文件中，
有关一位艺术家的信息以JSON格式存储在一行中。
artist.json.gzのデータをKey-Value-Store (KVS) およびドキュメント志向型データベースに
格納・検索することを考える．
KVSとしては，LevelDB，Redis，
KyotoCabinet等を用いよ．
ドキュメント志向型データベースとして，MongoDBを採用したが，CouchDBやRethinkDB等を用いてもよい．
Consider storing and searching artist.json.gz data in Key-Value-Store (KVS) and a document-oriented database.
Use LevelDB,
Redis,
KyotoCabinet, etc. as KVS.
MongoDB was adopted as the document-oriented database,
but CouchDB, RethinkDB, etc. may be used.
尝试在键值存储（KVS）和面向文档的数据库中存储和搜索artist.json.gz数据。
将LevelDB，
Redis，
KyotoCabinet等用作KVS。
MongoDB可用作面向文档的数据库，
但也可以使用CouchDB，
RethinkDB等。
Building KVS
建立KVS
Key-Value-Store (KVS) を用い，
アーティスト名（name）から活動場所（area）を検索するためのデータベースを構築せよ．
Use Key-Value-Store (KVS) to construct a database
for searching the activity area (area) from the artist name (name).
使用键值存储（KVS）来构建数据库，
以便从艺术家姓名（名称）中搜索活动区域（区域）。
Search in KVS
搜索KVS
60で構築したデータベースを用い，
特定の（指定された）アーティストの活動場所を取得せよ．
Using the database constructed in step 60,
obtain the activity location of a specific (designated) artist.
使用在步骤60中构建的数据库，
获取特定（指定）艺术家的活动位置。
Iterative processing in KVS
KVS中的迭代处理
60で構築したデータベースを用い，
活動場所が「Japan」となっているアーティスト数を求めよ．
Using the database constructed in 60,
find the number of artists whose activity place is "Japan".
使用在步骤60建立的数据库，找到活动地点为“日本”的艺术家数量。
KVS with object stored in value
将对象存储在KVS的值中
KVSを用い，アーティスト名（name）からタグと被タグ数（タグ付けされた回数）のリストを
検索するためのデータベースを構築せよ．
さらに，ここで構築したデータベースを用い，
アーティスト名からタグと被タグ数を検索せよ．
Using KVS, build a database to search
for a list of tags and the number of tags (number of times they were tagged) from the artist name.
Using the database constructed here,
search for tags and the number of tags by artist name.
使用KVS，建立一个数据库，根据艺术家姓名搜索标签列表和标签数量（被标记的次数）。
使用此处构建的数据库，按艺术家名称搜索标签和标签数量。
Build MongoDB
构建MongoDB
アーティスト情報（artist.json.gz）をデータベースに登録せよ．
さらに，次のフィールドでインデックスを作成せよ: name, aliases.name, tags.value, rating.value
Register artist information (artist.json.gz) in the database.
In addition, index on the following fields: name, aliases.name, tags.value, rating.value
在数据库中注册艺术家信息（artist.json.gz）。
此外，在以下字段上建立索引：名称，aliases.name，tags.value，rating.value
Search MongoDB
搜索MongoDB
MongoDBのインタラクティブシェルを用いて，
"Queen"というアーティストに関する情報を取得せよ．
さらに，これと同様の処理を行うプログラムを実装せよ．
Use MongoDB's interactive shell to get information about the artist "Queen".
In addition, implement a program that performs the same processing.
使用MongoDB的交互式Shell获取有关艺术家“Queen”的信息。
另外，实现可以执行相同处理的程序。
Get search count
获取搜索计数
MongoDBのインタラクティブシェルを用いて，
活動場所が「Japan」となっているアーティスト数を求めよ．
Using MongoDB's interactive shell,
find the number of artists whose activity location is "Japan".
使用MongoDB的交互式Shell，查找活动位置为“日本”的艺术家数量。
Retrieve multiple documents
检索多个文件
特定の（指定した）別名を持つアーティストを検索せよ．
Search for artists with a specific (specified) alias.
搜索具有特定（指定）别名的艺术家。
Sort
排序
"dance"というタグを付与されたアーティストの中で
レーティングの投票数が多いアーティスト・トップ10を求めよ．
Find the top 10 artists with the highest number of votes among the artists tagged "dance".
在标记为“舞蹈”的艺术家中找到投票数最高的前10位艺术家。
Creating a web application
创建一个Web应用程序
ユーザから入力された検索条件に合致するアーティストの情報を表示するWebアプリケーションを作成せよ．
アーティスト名，アーティストの別名，タグ等で検索条件を指定し，
アーティスト情報のリストをレーティングの高い順などで整列して表示せよ．
Create a Web application that displays the artist information
that matches the search conditions entered by the user.
Specify search conditions by artist name, artist alias, tag, etc.,
and arrange the artist information list in order of highest rating.
创建一个显示与用户输入的搜索条件匹配的艺术家信息的Web应用。
通过艺术家名称，艺术家别名，标签等指定搜索条件，
并按等级降序对艺术家信息列表进行排序和显示。
本章では，Bo Pang氏とLillian Lee氏が公開している
Movie Review Datの
sentence polarity dataset v1.0を用い，
文を肯定的（ポジティブ）もしくは否定的（ネガティブ）に分類するタスク（極性分析）に取り組む．
In this chapter, using the
sentence polarity dataset v1.0 of the
Movie Review Dat published by Bo Pang and Lillian Lee,
work on the described task (polarity analysis) of classifying sentences as positive (positive) or negative (negative).
在本章中，使用Bo Pang和Lillian Lee发行的
Movie Review Dat 的
sentence polarity dataset v1.0，
尽力完成将句子分类为正（positive）或负（negative）的任务（极性分析）。
Obtaining and shaping data
获取和整理数据
文に関する極性分析の正解データ
を用い，
以下の要領で正解データ（sentiment.txt）を作成せよ．
Create correct answer data (sentiment.txt) using the
correct answer data from the polarity analysis for the sentence as follows.
使用如下句子极性分析中的正确答案数据创建正确答案数据（sentiment.txt）。
-
rt-polarity.posの各行の先頭に"+1 "という文字列を追加する （極性ラベル"+1"とスペースに続けて肯定的な文の内容が続く）
Add the string "+1" to the beginning of each line in rt-polarity.pos (polarity label "+1" followed by a space, followed by the positive sentence)
将字符串“ +1”添加到rt-polarity.pos中每行的开头 （极性标签“ +1”，后跟一个空格，后跟肯定句的内容） -
rt-polarity.negの各行の先頭に"-1 "という文字列を追加する （極性ラベル"-1"とスペースに続けて否定的な文の内容が続く）
Add a string "-1" to the beginning of each line of rt-polarity.neg (Polarity label "-1" followed by a space, followed by the contents of the negative sentence.)
将字符串“ -1”添加到rt-polarity.neg中每行的开头 （极性标签“ -1”，后跟一个空格，后跟否定句的内容） -
上述1と2の内容を結合（concatenate）し，行をランダムに並び替える sentiment.txtを作成したら， 正例（肯定的な文）の数と負例（否定的な文）の数を確認せよ．
Concatenate the contents of 1 and 2 above, and create a sentiment.txt that randomly rearranges the lines. Check the number of positive examples (positive sentences) and the number of negative examples (negative sentences).
结合上面1和2的内容，并创建一个sendiment.txt来随机重新排列各行， 检查肯定示例（肯定句）和否定示例（否定句）的数量。
Stop word
停用词
英語のストップワードのリスト（ストップリスト）を適当に作成せよ．
さらに，引数に与えられた単語（文字列）がストップリストに含まれている場合は真，
それ以外は偽を返す関数を実装せよ．
さらに，その関数に対するテストを記述せよ．
Create a list of English stop words (stop list).
Furthermore, implement a function that returns true if the word (character string)
given in the argument is included in the stoplist,
and returns false otherwise. Write a test for the function.
创建英语停用词列表。
此外，实现一个函数，如果参数中给定的单词（字符串）包含在停用词表中，则返回true，否则返回false。
为该功能编写一个测试。
Feature extraction
特征提取
極性分析に有用そうな素性を各自で設計し，
学習データから素性を抽出せよ．
素性としては，レビューからストップワードを除去し，
各単語をステミング処理したものが最低限のベースラインとなるであろう．
Design features that are likely to be useful for polarity analysis,
and extract features from training data.
The minimum baseline for the feature would be to remove the stopwords from the review and to stem each word.
设计可能对极性分析有用的特征，并从训练数据中提取特征。
该功能的最低基准是从评论中删除停用词并阻止每个词。
Learning
学习
72で抽出した素性を用いて，ロジスティック回帰モデルを学習せよ．
Train a logistic regression model using the features extracted in 72.
使用72中提取的特征训练逻辑回归模型。
Predict
预测
73で学習したロジスティック回帰モデルを用い，
与えられた文の極性ラベル（正例なら"+1"，負例なら"-1"）と，
その予測確率を計算するプログラムを実装せよ．
Using the logistic regression model learned in step 73,
implement a program to calculate the polarity label
of the given sentence ("+1" for positive examples, "-1" for negative examples) and its predicted probability.
使用在步骤73中训练的逻辑回归模型，
实现一个程序来计算给定句子的极性标签（对于肯定示例，“ + 1”，对于否定示例，“-1”）及其预测概率。
Feature weight
特征权重
73で学習したロジスティック回帰モデルの中で，
重みの高い素性トップ10と，重みの低い素性トップ10を確認せよ．
In the logistic regression model learned in 73,
check the top 10 features with high weight and the top 10 features with low weight.
在73训练的逻辑回归模型中，
检查权重较高的前10个特征和权重较低的前10个特征。
Labeling
标注
学習データに対してロジスティック回帰モデルを適用し，
正解のラベル，予測されたラベル，予測確率をタブ区切り形式で出力せよ．
Apply a logistic regression model to the training data and output the correct labels,
predicted labels, and predicted probabilities in tab-delimited format.
将逻辑回归模型应用于训练数据，并以制表符分隔的格式输出正确的标签，预测的标签和预测正确的概率。
Measurement of accuracy rate
准确率的测量
76の出力を受け取り，
予測の正解率，正例に関する適合率，再現率，
F1スコアを求めるプログラムを作成せよ．
Write a program that receives the output of 76 and calculates the correct answer rate of the prediction,
the precision rate for the correct example, the recall rate, and the F1 score.
编写一个程序，接收76的输出，并计算预测的准确率，精确率，召回率和F1分数。
5-fold cross validation
5-fold交叉验证
76-77の実験では，学習に用いた事例を評価にも用いたため，
正当な評価とは言えない．
すなわち，分類器が訓練事例を丸暗記する際の性能を評価しており，
モデルの汎化性能を測定していない．
そこで，5分割交差検定により，
極性分類の正解率，適合率，再現率，F1スコアを求めよ．
In the experiment of 76-77,
the case used for learning was also used for evaluation,
so it cannot be said that it is a valid evaluation.
In other words, the classifier evaluates the performance
of memorizing the training examples
and does not measure the generalization performance of the model.
Therefore, calculate the correct answer rate,
precision rate, recall rate, and F1 score
of the polarity classification using 5-fold cross validation.
在76-77的实验中，用于学习的案例也用于评估，因此不能说这是有效的评估。
换句话说，分类器评估记忆训练样本的性能，而不衡量模型的泛化性能。
因此，使用5-fold交叉验证来计算极性分类的准确率，精确率，召回率和F1分数。
Drawing Precision-Recall graph
绘制准确率-召回率图
ロジスティック回帰モデルの分類の閾値を変化させることで，
適合率-再現率グラフを描画せよ．
Draw a precision-recall graph by changing the classification threshold of the logistic regression model.
绘制精确率-召回率随逻辑回归模型的分类阀值变化图。
Vector space method
向量空间法
enwiki-20150112-400-r10-105752.txt.bz2は，
2015年1月12日時点の英語のWikipedia記事のうち，
約400語以上で構成される記事の中から，
ランダムに1/10サンプリングした105,752記事のテキストをbzip2形式で圧縮したものである．
このテキストをコーパスとして，単語の意味を表すベクトル（分散表現）を学習したい．
第9章の前半では，コーパスから作成した単語文脈共起行列に主成分分析を適用し，
単語ベクトルを学習する過程を，いくつかの処理に分けて実装する．
第9章の後半では，学習で得られた単語ベクトル（300次元）を用い，
単語の類似度計算やアナロジー（類推）を行う．
enwiki-20150112-400-r10-105752.txt.bz2
is a random sample of 1/10 of the English-language Wikipedia articles as of January 12, 2015,
which consist of more than 400 words.
This is the text of 105,752 articles compressed in bzip2 format.
Using this text as a corpus,
train a vector (distributed expression) that represents the meaning of a word.
In the first half of Chapter 9,
the process of learning word vectors
by applying principal component analysis to the word context co-occurrence matrix
created from the corpus is implemented in several processes.
In the second half of Chapter 9,
word similarity calculation and analogy (analog) are performed using word vectors (300 dimensions)
obtained by learning.
enwiki-20150112-400-r10-105752.txt.bz2
是截至2015年1月12日的英语Wikipedia文章中的1/10个样本的随机样本，
文章包含约400或更多个单词。
一共105,752条以bzip2格式压缩的文章的文本。
使用这些文本作为语料库，训练一个代表单词含义的向量（分布式表达式）。
在第9章的前半部分中，
通过将主成分分析应用于从语料库创建的单词上下文共现矩阵来训练单词向量的过程
分为几个步骤实现。
在第9章的后半部分，使用训练获得的单词向量（300维）执行单词相似度计算和类比（模拟）。
なお，問題83を素直に実装すると，大量（約7GB）の主記憶が必要になる.
メモリが不足する場合は，処理を工夫するか，
1/100サンプリングのコーパス
enwiki-20150112-400-r100-10576.txt.bz2を用いよ．
If problem 83 is implemented straightforwardly,
a large amount (about 7GB) of main memory will be required.
If the memory is insufficient,
devise the processing or use the corpus enwiki-20150112-400-r100-10576.txt.bz2
with 1/100 sampling.
如果直接开展步骤83，会用到大量（大约7GB）的内存。
如果内存不足，请先进行处理或使用1/100采样的语料库
enwiki-20150112-400-r100-10576.txt.bz2。
Corpus shaping
语料库整形
文を単語列に変換する最も単純な方法は，空白文字で単語に区切ることである．
ただ，この方法では文末のピリオドや括弧などの記号が単語に含まれてしまう．
そこで，コーパスの各行のテキストを空白文字でトークンのリストに分割した後，
各トークンに以下の処理を施し，単語から記号を除去せよ．
The simplest way to convert a sentence into a sequence of words is to break it into words with space.
However, with this method, marks such as periods and parentheses
at the end of the sentence are included in the word.
So, after dividing the text of each line of the corpus into a list of tokens with blank characters,
perform the following processing on each token to remove marks from words.
将句子转换为词序列最简单的方法是将其分解为带有空格的词。
但是，使用这种方法，会产生末尾附带句点和括号之类记号的词。
因此，在将语料库的每一行文本划分为带有空格字符的标记列表之后，
对每个标记执行以下处理以便从单词中去除记号。
-
トークンの先頭と末尾に出現する次の文字を削除: .,!?;:()[]'"
Remove the following characters at the beginning and end of the token: .,!?;: () [] '"
删除词例开头和结尾的以下字符： .,!?;: () [] '" -
空文字列となったトークンは削除
Empty tokens are deleted
空词例需被删除
以上の処理を適用した後，
トークンをスペースで連結してファイルに保存せよ．
After applying processing above,
connect the tokens with spaces and save them to a file.
上述处理后，用空格连接词例并将其保存在文件中。
Dealing with compound word as country's name
处理复合词组成的国家名称
英語では，複数の語の連接が意味を成すことがある．
例えば，アメリカ合衆国は"United States"，
イギリスは"United Kingdom"と表現されるが，
"United"や"States"，"Kingdom"という単語だけでは，
指し示している概念・実体が曖昧である．
そこで，コーパス中に含まれる複合語を認識し，
複合語を1語として扱うことで，複合語の意味を推定したい．
しかしながら，
複合語を正確に認定するのは大変むずかしいので，
ここでは複合語からなる国名を認定したい．
In English, concatenation of multiple words can make sense.
For example, the America is represented as "United States"
and the Britain as "United Kingdom",
but the words "United", "States", and "Kingdom" alone are ambiguous.
Therefore, we want to estimate the meaning of a compound word
by recognizing the compound word contained in the corpus
and treating the compound word as one word.
However, it is very difficult to accurately recognize compound words,
so here we want to recognize country names consisting of compound words.
在英语中，串联起来的多个单词可以是有意义的。
例如，美国被表示为“United States”，英国被表示为“United Kingdom”，
但是仅仅作为单词的“United”，“States”和“Kingdom”是含混的。
因此，我们希望通过识别语料库中包含的复合词
并将复合词视为一个词来估计复合词的含义。
但是，复合词很难被准确识别，
因此这里我们仅识别由复合词组成的国家/地区名称。
インターネット上から国名リストを各自で入手し，
80のコーパス中に出現する複合語の国名に関して，
スペースをアンダーバーに置換せよ．
例えば，"United States"は"United_States"，
"Isle of Man"は"Isle_of_Man"になるはずである．
Obtain a list of country names on the Internet
and replace spaces with underscores in compound words that appear in the 80 corpus.
For example, "United States" should be "United_States"
and "Isle of Man" should be "Isle_of_Man".
获取互联网上的国家/地区名称列表，
对出现在这80个语料库中的复合词，用下划线替换空格。
例如，"United States"为"United_States"，"Isle of Man"为"Isle_of_Man"。
Context extraction
上下文提取
81で作成したコーパス中に出現するすべての単語tに関して，
単語tと文脈語cのペアをタブ区切り形式ですべて書き出せ．
ただし，文脈語の定義は次の通りとする．
Write out all pairs of word t and context word c in tab-delimited format
for all words t appearing in the corpus created in 81.
The definition of the context word is as follows.
以制表符分隔的格式
对81中的语料库中出现的所有单词 t 写出所有单词对 t 和上下文单词 c。
上下文词的定义如下。
-
ある単語tの前後d単語を文脈語cとして抽出する（ただし，文脈語に単語tそのものは含まない）
Extract d words before and after the word t as context word c (however, the context word does not include the word t itself)
提取单词t之前和之后的d个单词作为上下文单词c（但是，上下文单词不包括单词t本身） -
単語tを選ぶ度に，文脈幅dは{1,2,3,4,5}の範囲でランダムに決める． Each time a word t is selected, the context width d is randomly determined within the range of {1,2,3,4,5}. 每次选择单词t时，上下文宽度d在{1,2,3,4,5}范围内随机确定。
Measuring word / context frequency
测量 词/上下文 频率
82の出力を利用し，以下の出現分布，および定数を求めよ．
-
f(t,c) : 単語tと文脈語cの共起回数
Number of co-occurrences of word t and context words c 单词t和上下文单词c的共现次数 -
f(t,∗) : 単語tの出現回数
Number of occurrences of word t
单词t的出现次数 -
f(∗,c) : 文脈語cの出現回数
Number of occurrences of context words c
上下文词c的出现次数 -
N : 単語と文脈語のペアの総出現回数
Total number of occurrences of word-context word pairs
词-上下文词 对的出现总数
Create word context matrix
创建单词上下文矩阵
83の出力を利用し，単語文脈行列Xを作成せよ．
ただし，行列Xの各要素Xtcは次のように定義する．
Create a word context matrix X using the output of 83.
Where each element Xtc of the matrix X is defined as follows.
使用83的输出创建单词上下文矩阵X。
矩阵X的每个元素Xtc定义如下。
-
f(t,c)≥10ならば，Xtc = PPMI(t,c) = max{log(N×f(t,c))/(f(t,∗)×f(∗,c)),0} if f(t,c)≥10: Xtc = PPMI(t,c) = max{log(N×f(t,c))/(f(t,∗)×f(∗,c)),0}
-
f(t,c)<10ならば，Xtc = 0 else: Xtc = 0
ここで，PPMI(t,c)はPositive Pointwise Mutual Information（正の相互情報量）と呼ばれる統計量である．
なお，行列Xの行数・列数は数百万オーダとなり，
行列のすべての要素を主記憶上に載せることは無理なので注意すること．
幸い，行列Xのほとんどの要素は0になるので，非0の要素だけを書き出せばよい．
Here, PPMI (t, c) is a statistic called Positive Pointwise Mutual Information.
Note that the number of rows and columns of matrix X is on the order of several millions,
and it is impossible to put all the elements of the matrix in main memory.
Fortunately, most elements of matrix X are zero, so you only need to write out the nonzero elements.
在这里，PPMI(t，c)是一个统计量，称为正 点间互信息。
请注意，矩阵X的行和列数约为数百万，
并且不可能将矩阵的所有元素都放在主存储器上。
所幸，矩阵X的大多数元素为零，因此您只需要写出非零元素。
Dimensional compression by principal component analysis
通过主成分分析进行尺寸压缩
84で得られた単語文脈行列に対して，主成分分析を適用し，
単語の意味ベクトルを300次元に圧縮せよ．
Apply principal component analysis to the word context matrix obtained in step 84,
and compress the meaning vector of the word to 300 dimensions.
将主成分分析应用于在步骤84中获得的单词上下文矩阵，
并将单词语义向量压缩到300维。
Display word vector
显示单词向量
85で得た単語の意味ベクトルを読み込み，
"United States"のベクトルを表示せよ．
ただし，"United States"は内部的には"United_States"と表現されていることに注意せよ．
Read the meaning vector of the word obtained in step 85 and display the "United States" vector.
Note that "United States" is internally represented as "United_States".
读取在步骤85中获得的词向量，并显示词"United States"。 注意，"United States"在内部表示为"United_States"。
Word similarity
单词相似度
85で得た単語の意味ベクトルを読み込み，
"United States"と"U.S."のコサイン類似度を計算せよ．
ただし，"U.S."は内部的に"U.S"と表現されていることに注意せよ．
Read the semantic vector of the word obtained in step 85 and calculate the cosine similarity between "United States" and "U.S.". Note, however, that "U.S." is internally represented as "U.S."
读取在步骤85中获得的单词的词向量，并计算"United States"和"U.S."之间的余弦相似度。
但是请注意，"U.S."在内部表示为"U.S"。
10 words with high similarity
高度相似的10个词
85で得た単語の意味ベクトルを読み込み，
"England"とコサイン類似度が高い10語と，その類似度を出力せよ．
Read the semantic vector of the word obtained in step 85,
and output 10 words with high cosine similarity to "England" and their similarity
读取在步骤85中获得的单词的词向量，
并输出与“England”具有高余弦相似度的10个单词及其相似度
Analogy with additive constructivity
类比与加法构造性
85で得た単語の意味ベクトルを読み込み，
vec("Spain") - vec("Madrid") + vec("Athens")を計算し，
そのベクトルと類似度の高い10語とその類似度を出力せよ．
Read the semantic vector of the word obtained in 85,
calculate vec("Spain") - vec("Madrid") + vec("Athens"),
Output 10 words with high similarity to the vector and their similarity.
读取在85中获得的单词的向量，计算vec("Spain") - vec("Madrid") + vec("Athens")，
并输出10个与该向量最相似的词及其向量。
Vector space method 02 向量空间法 其二
第10章では，
前章に引き続き単語ベクトルの学習に取り組む．
In Chapter 10, we will continue to learn word vectors
as in the previous chapter.
在第10章中，我们将像上一章一样继续学习单词向量。
Learning with word2vec
用word2vec学习
81で作成したコーパスに対してword2vecを適用し，
単語ベクトルを学習せよ．
さらに，学習した単語ベクトルの形式を変換し，
86-89のプログラムを動かせ．
Apply word2vec to the corpus
created in step 81 to learn word vectors.
Then, convert the learned word vector format and run the program from 86-89.
将word2vec应用于在步骤81中创建的语料库以学习单词向量。
然后，转换训练得到的单词矢量格式并进行86-89的任务。
Preparation of analogy data
准备类比数据
単語アナロジーの評価データ
をダウンロードせよ．
このデータ中で": "で始まる行はセクション名を表す．
例えば，
": capital-common-countries"という行は，
"capital-common-countries"というセクションの開始を表している．
ダウンロードした評価データの中で，
"family"というセクションに含まれる評価事例を
抜き出してファイルに保存せよ．
Download the word analogy evaluation data
Lines starting with ":" in this data represent section names.
For example,
the line ": capital-common-countries" marks the beginning
of a section called "capital-common-countries".
From the downloaded evaluation data,
extract the evaluation examples included in the section "family"
and save them to a file.
下载单词类比评估数据
此数据中以":"开头的行表示节名称。
例如，行": capital-common-countries"标记了
名为"capital-common-countries"的部分的开头。
从下载的评估数据中，提取"family"部分中包含的评估示例，
并将其保存到文件中。
Application to analogy data
应用类比数据
91で作成した評価データの各事例に対して，
vec(2列目の単語) - vec(1列目の単語) + vec(3列目の単語)を計算し，
そのベクトルと類似度が最も高い単語と，
その類似度を求めよ．
求めた単語と類似度は，
各事例の末尾に追記せよ．
このプログラムを85で作成した単語ベクトル，
90で作成した単語ベクトルに対して適用せよ．
For each case in the evaluation data created in 91,
calculate
vec(word in the second column) - vec(word in the first column) + vec(word in the third column),
Find the word with the highest similarity to the vector and its similarity.
Add the word and similarity to the end of each case.
Apply this program to the word vector created in 85 and the word vector created in 90.
对于步骤91中创建的评估数据中的每种情况，:1227
计算vec(第二列中的单词) - vec(第一列中的单词) + vec(第三列中的单词)， 查找与向量相似度最高的单词。 在每种情况的末尾添加单词和相似性。 将此程序应用于在85中创建的单词向量和在90中创建的单词向量。
Calculating the accuracy rate of analogy tasks
计算类比任务的准确率
92で作ったデータを用い，
各モデルのアナロジータスクの正解率を求めよ．
Using the data created in 92, find the accuracy rate of analogy tasks for each model.
使用在92中创建的数据，找到每个模型的类比任务的准确率。
Similarity calculation with WordSimilarity-353
使用WordSimilarity-353进行相似度计算
The WordSimilarity-353 Test Collection
の評価データを入力とし，
1列目と2列目の単語の類似度を計算し，
各行の末尾に類似度の値を追加するプログラムを作成せよ．
このプログラムを85で作成した単語ベクトル，
90で作成した単語ベクトルに対して適用せよ．
Create a program that takes the evaluation data
of The WordSimilarity-353 Test Collection
as input,
calculates the similarity between words in the first and second columns,
and adds a similarity value to the end of each line.
Apply this program to the word vector
created in 85 and the word vector created in 90.
创建一个程序，
将The WordSimilarity-353 Test Collection
作为输入，
计算第一列和第二列中单词之间的相似度，
并将相似度值添加到每行的末尾。
将此程序应用于在85中创建的单词向量和在90中创建的单词向量。
Evaluation by WordSimilarity-353
通过WordSimilarity-353进行的评估
94で作ったデータを用い，
各モデルが出力する類似度のランキングと，
人間の類似度判定のランキングの間のスピアマン相関係数を計算せよ．
Using the data created in step 94,
calculate the Spearman correlation coefficient
between the ranking of similarity output from each model
and the ranking of human similarity determination.
使用94中创建的数据，
对于每个模型，
计算模型相似度和人类相似度判断之间的Spearman相关系数。
Spearman's rank correlation coefficient:
Extract vector about country name
提取有关国名的向量
word2vecの学習結果から，
国名に関するベクトルのみを抜き出せ．
Extract only vectors related to country names
from the learning results of word2vec.
从word2vec的学习结果中仅提取与国家名称有关的向量。
k-means clustering
k均值聚类
96の単語ベクトルに対して，
k-meansクラスタリングをクラスタ数k=5
として実行せよ．
Perform k-means clustering on word vectors in step 96 with k = 5 clusters.
对步骤96中的词向量执行k = 5 均值聚类。
Clustering by Ward method Ward法聚类
96の単語ベクトルに対して，
Ward法による階層型クラスタリングを実行せよ．
さらに，クラスタリング結果をデンドログラムとして可視化せよ．
Perform hierarchical clustering using the Ward method on word vectors in step 96.
Visualize the clustering result as a dendrogram.
使用Ward方法对步骤96的词向量执行分层聚类。
将聚类结果可视化为树状图。
Visualization with t-SNE
使用t-SNE进行可视化
96の単語ベクトルに対して，ベクトル空間をt-SNEで可視化せよ．
Visualize the vector space with t-SNE for word vectors in step 96.
使用t-SNE可视化步骤96的单词向量的向量空间。