forked from jiro4989/ojosama
-
Notifications
You must be signed in to change notification settings - Fork 0
/
ojosama.go
442 lines (380 loc) · 13.6 KB
/
ojosama.go
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
package ojosama
import (
"math/rand"
"regexp"
"strings"
"time"
"github.com/ikawaha/kagome-dict/ipa"
"github.com/ikawaha/kagome/v2/tokenizer"
"github.com/jiro4989/ojosama/internal/chars"
)
// ConvertOption はお嬢様変換時のオプショナルな設定。
type ConvertOption struct {
forceAppendLongNote forceAppendLongNote // 単体テスト用のパラメータ
forceCharsTestMode *chars.TestMode // 単体テスト用のパラメータ
}
// forceAppendLongNote は強制的に波線や感嘆符や疑問符を任意の数追加するための設定。
//
// 波線や感嘆符の付与には乱数が絡むため、単体テスト実行時に確実に等しい結果を得
// ることが難しい。この問題を回避するために、このパラメータを差し込むことで乱数
// の影響を受けないように制御する。単体テストでしか使うことを想定していないため、
// パブリックにはしない。
type forceAppendLongNote struct {
enable bool
wavyLineCount int
exclamationMarkCount int
}
var (
alnumRegexp = regexp.MustCompile(`^[a-zA-Z0-9]+$`)
)
func init() {
rand.Seed(time.Now().UnixNano())
}
// Convert はテキストを壱百満天原サロメお嬢様風の口調に変換して返却する。
//
// 簡単に説明すると「ハーブですわ!」を「おハーブですわ~~!!!」と変換する。
// それ以外にもいくつかバリエーションがある。
//
// opt は挙動を微調整するためのオプショナルなパラメータ。不要であれば nil を渡せ
// ば良い。
func Convert(src string, opt *ConvertOption) (string, error) {
t, err := tokenizer.New(ipa.Dict(), tokenizer.OmitBosEos())
if err != nil {
return "", err
}
// tokenize
tokens := t.Tokenize(src)
var result strings.Builder
var nounKeep bool
for i := 0; i < len(tokens); i++ {
token := tokens[i]
data := tokenizer.NewTokenData(token)
buf := data.Surface
// 英数字のみの単語の場合は何もしない
if alnumRegexp.MatchString(buf) {
result.WriteString(buf)
continue
}
// 名詞+動詞+終助詞の組み合わせに対して変換する
if s, n, ok := convertSentenceEndingParticle(tokens, i); ok {
i = n
result.WriteString(s)
continue
}
// 連続する条件による変換を行う
if s, n, ok := convertContinuousConditions(tokens, i, opt); ok {
i = n
result.WriteString(s)
continue
}
// 特定条件は優先して無視する
if matchExcludeRule(data) {
result.WriteString(buf)
continue
}
// お嬢様言葉に変換
buf, nounKeep, i = convert(data, tokens, i, buf, nounKeep, opt)
// 形容詞、自立で文が終わった時は丁寧語ですわを追加する
buf = appendPoliteWord(data, tokens, i, buf)
result.WriteString(buf)
}
return result.String(), nil
}
// convertSentenceEndingParticle は名詞+動詞(+助動詞)+終助詞の組み合わせすべてを満たす場合に変換する。
//
// 終助詞は文の終わりに、文を完結させつつ、文に「希望」「禁止」「詠嘆」「強意」等の意味を添える効果がある。
//
// 例えば「野球しようぜ」の場合、
// 「名詞:野球」「動詞:しよ」「助動詞:う」「終助詞:ぜ」という分解がされる。
//
// 終助詞の「ぜ」としては「希望」の意味合いが含まれるため、希望する意味合いのお嬢様言葉に変換する。
// 例:お野球をいたしませんこと
//
// その他にも「野球するな」だと「お野球をしてはいけませんわ」になる。
func convertSentenceEndingParticle(tokens []tokenizer.Token, tokenPos int) (string, int, bool) {
for _, r := range sentenceEndingParticleConvertRules {
var result strings.Builder
i := tokenPos
data := tokenizer.NewTokenData(tokens[i])
// 先頭が一致するならば次の単語に進む
if !matchAnyMultiConvertConditions(r.conditions1, data) {
continue
}
if len(tokens) <= i+1 {
continue
}
s := data.Surface
// TODO: ベタ書きしててよくない
if equalsFeatures(data.Features, nounsGeneral) || equalsFeatures(data.Features[:2], nounsSaDynamic) {
s = "お" + s
}
result.WriteString(s)
i++
data = tokenizer.NewTokenData(tokens[i])
// NOTE:
// 2つ目以降は value の値で置き換えるため
// result.WriteString(data.Surface) を実行しない。
// 2つ目は動詞のいずれかとマッチする。マッチしなければふりだしに戻る
if !matchAnyMultiConvertConditions(r.conditions2, data) {
continue
}
if len(tokens) <= i+1 {
continue
}
i++
data = tokenizer.NewTokenData(tokens[i])
// 助動詞があった場合は無視してトークンを進める。
// 別に無くても良い。
if r.auxiliaryVerb.matchAllTokenData(data) {
if len(tokens) <= i+1 {
continue
}
i++
data = tokenizer.NewTokenData(tokens[i])
}
// 最後、終助詞がどの意味分類に該当するかを取得
mt, ok := getMeaningType(r.sentenceEndingParticle, data)
if !ok {
continue
}
// 意味分類に該当する変換候補の文字列を返す
// TODO: 現状1個だけなので決め打ちで最初の1つ目を返す。
result.WriteString(r.value[mt][0])
return result.String(), i, true
}
return "", -1, false
}
func getMeaningType(typeMap map[meaningType][]convertConditions, data tokenizer.TokenData) (meaningType, bool) {
for k, v := range typeMap {
for _, cond := range v {
if cond.matchAllTokenData(data) {
return k, true
}
}
}
return meaningTypeUnknown, false
}
// convertContinuousConditions は連続する条件による変換ルールにマッチした変換結果を返す。
//
// 例えば「壱百満天原サロメ」や「横断歩道」のように、複数のTokenがこの順序で連続
// して初めて1つの意味になるような条件をすべて満たした時に結果を返す。
//
// 連続する条件にマッチした場合は tokenPos をその分だけ進める必要があるため、進
// めた後の tokenPos を返却する。
//
// 第三引数は変換ルールにマッチしたかどうかを返す。
func convertContinuousConditions(tokens []tokenizer.Token, tokenPos int, opt *ConvertOption) (string, int, bool) {
for _, mc := range continuousConditionsConvertRules {
if !matchContinuousConditions(tokens, tokenPos, mc.Conditions) {
continue
}
n := tokenPos + len(mc.Conditions) - 1
result := mc.Value
if mc.AppendLongNote {
result, n = appendLongNote(result, tokens, n, opt)
}
return result, n, true
}
return "", -1, false
}
// matchContinuousConditions は tokens の tokenPos の位置からのトークンが、連続する条件にすべてマッチするかを判定する。
//
// 次のトークンが存在しなかったり、1つでも条件が不一致になった場合 false を返す。
func matchContinuousConditions(tokens []tokenizer.Token, tokenPos int, ccs []convertConditions) bool {
j := tokenPos
for _, conds := range ccs {
if len(tokens) <= j {
return false
}
data := tokenizer.NewTokenData(tokens[j])
if !conds.matchAllTokenData(data) {
return false
}
j++
}
return true
}
// matchExcludeRule は除外ルールと一致するものが存在するかを判定する。
func matchExcludeRule(data tokenizer.TokenData) bool {
excludeLoop:
for _, c := range excludeRules {
if !c.Conditions.matchAllTokenData(data) {
continue excludeLoop
}
return true
}
return false
}
// convert は基本的な変換を行う。
func convert(data tokenizer.TokenData, tokens []tokenizer.Token, i int, surface string, nounKeep bool, opt *ConvertOption) (string, bool, int) {
var beforeToken tokenizer.TokenData
var beforeTokenOK bool
if 0 < i {
beforeToken = tokenizer.NewTokenData(tokens[i-1])
beforeTokenOK = true
}
var afterToken tokenizer.TokenData
var afterTokenOK bool
if i+1 < len(tokens) {
afterToken = tokenizer.NewTokenData(tokens[i+1])
afterTokenOK = true
}
for _, c := range convertRules {
if !c.Conditions.matchAllTokenData(data) {
continue
}
// 前に続く単語をみて変換を無視する
if beforeTokenOK && c.BeforeIgnoreConditions.matchAnyTokenData(beforeToken) {
break
}
// 次に続く単語をみて変換を無視する
if afterTokenOK && c.AfterIgnoreConditions.matchAnyTokenData(afterToken) {
break
}
// 文の区切りか、文の終わりの時だけ有効にする。
// 次のトークンが存在して、且つ次のトークンが文を区切るトークンでない時
// は変換しない。
if c.EnableWhenSentenceSeparation && afterTokenOK && !isSentenceSeparation(afterToken) {
break
}
result := c.Value
pos := i
// 波線伸ばしをランダムに追加する
if c.AppendLongNote {
result, pos = appendLongNote(result, tokens, i, opt)
}
// 手前に「お」を付ける
if !c.DisablePrefix {
result, nounKeep = appendPrefix(data, tokens, i, result, nounKeep)
}
return result, nounKeep, pos
}
// 手前に「お」を付ける
result := surface
result, nounKeep = appendPrefix(data, tokens, i, result, nounKeep)
return result, nounKeep, i
}
// appendPrefix は surface の前に「お」を付ける。
func appendPrefix(data tokenizer.TokenData, tokens []tokenizer.Token, i int, surface string, nounKeep bool) (string, bool) {
if !equalsFeatures(data.Features, []string{"名詞", "一般"}) && !equalsFeatures(data.Features[:2], []string{"名詞", "固有名詞"}) {
return surface, false
}
// 丁寧語の場合は「お」を付けない
if isPoliteWord(data) {
return surface, false
}
// 次のトークンが動詞の場合は「お」を付けない。
// 例: プレイする
if i+1 < len(tokens) {
data := tokenizer.NewTokenData(tokens[i+1])
if equalsFeatures(data.Features, []string{"動詞", "自立"}) {
return surface, nounKeep
}
}
// すでに「お」を付与されているので、「お」を付与しない
if nounKeep {
return surface, false
}
if 0 < i {
data := tokenizer.NewTokenData(tokens[i-1])
// 手前のトークンが「お」の場合は付与しない
if equalsFeatures(data.Features, []string{"接頭詞", "名詞接続"}) {
return surface, false
}
// サ変接続が来ても付与しない。
// 例: 横断歩道、解体新書
if equalsFeatures(data.Features, []string{"名詞", "サ変接続"}) {
return surface, false
}
}
return "お" + surface, true
}
// appendPoliteWord は丁寧語を追加する。
func appendPoliteWord(data tokenizer.TokenData, tokens []tokenizer.Token, i int, surface string) string {
if !equalsFeatures(data.Features, []string{"形容詞", "自立"}) {
return surface
}
if len(tokens) <= i+1 {
return surface
}
// 文の区切りのタイミングでは「ですわ」を差し込む
if isSentenceSeparation(tokenizer.NewTokenData(tokens[i+1])) {
return surface + "ですわ"
}
return surface
}
// isSentenceSeparation は data が文の区切りに使われる token かどうかを判定する。
func isSentenceSeparation(data tokenizer.TokenData) bool {
return containsFeatures([][]string{{"記号", "句点"}, {"記号", "読点"}}, data.Features) ||
containsString([]string{"!", "!", "?", "?"}, data.Surface)
}
// appendLongNote は次の token が感嘆符か疑問符の場合に波線、感嘆符、疑問符をランダムに追加する。
//
// 乱数が絡むと単体テストがやりづらくなるので、 opt を使うことで任意の数付与でき
// るようにしている。
func appendLongNote(src string, tokens []tokenizer.Token, i int, opt *ConvertOption) (string, int) {
if len(tokens) <= i+1 {
return src, i
}
var tm *chars.TestMode
if opt != nil {
tm = opt.forceCharsTestMode
}
data := tokenizer.NewTokenData(tokens[i+1])
for _, s := range []string{"!", "?", "!", "?"} {
if data.Surface != s {
continue
}
var (
w, e int
)
if opt != nil && opt.forceAppendLongNote.enable {
// opt がある場合に限って任意の数付与できる。基本的に単体テスト用途。
w = opt.forceAppendLongNote.wavyLineCount
e = opt.forceAppendLongNote.exclamationMarkCount
} else {
w = rand.Intn(3)
e = rand.Intn(3)
}
var suffix strings.Builder
for i := 0; i < w; i++ {
suffix.WriteString("~")
}
// !or?をどれかからランダムに選択する
feq := chars.SampleExclQuesByValue(s, tm)
// 次の token は必ず感嘆符か疑問符のどちらかであることが確定しているため
// -1 して数を調整している。
for i := 0; i < e-1; i++ {
suffix.WriteString(feq.Value)
}
// 後ろに!や?が連続する場合、それらをすべて feq と同じ種類(半角、全角、
// 絵文字)の!や?に置き換えて返却する。
pos := i
loop2:
for j := i + 1; j < len(tokens); j++ {
token := tokens[j]
data := tokenizer.NewTokenData(token)
for _, r := range data.Surface {
surface := string(r)
if ok, eq := chars.IsExclQuesMark(surface); !ok {
break loop2
} else {
// e は!か?のどちらかなので、同じスタイルの文字を取得して追加
if got := chars.FindExclQuesByStyleAndMeaning(feq.Style, eq.Meaning); got != nil {
suffix.WriteString(got.Value)
}
}
}
// トークンの位置を制御する変数なので、forループ内では変更しない
pos = j
}
src += suffix.String()
return src, pos
}
return src, i
}
// isPoliteWord は丁寧語かどうかを判定する。
// 読みがオで始まる言葉も true になる。
func isPoliteWord(data tokenizer.TokenData) bool {
return strings.HasPrefix(data.Reading, "オ")
}