教師ありの機械学習(AI)プログラムを使用して、与えられた文章が何の言語なのか判定する

今回は最近話題のAI、機械学習について書いていきます。

今回のテーマ

今回のテーマは、与えられた文章が何語か判定する、教師ありの機械学習プログラムです
英語でもスペイン語でも同じアルファベットを使用するが、言語によってよく使用される文字が決まっています。

今回はその傾向に注目して、頻出頻度をもとに言語判定を行います。

今回は少ないデータでもわかりやすい、日本語、英語、アラビア語、中国語でテストを行います。

教師ありとは

問題と解答が揃っているデータを使って学習を行うものをいいます。
株価とか天気予報にも使用されたりします。

補足として、
教師なしとは、データだけあって解答がないものをいいます。
データから特徴を抽出してグループ分けし、特徴、特異性、傾向等を解析します。

その他に強化学習というものもあります。
動物に餌を与えて芸を仕込むような、機械に報酬を与えて、試行錯誤させて失敗と成功から学習していく方法です。

Unicodeのコードポイントを使用する

コードポイントとは、個々の文字に対して、文字集合内での符号位置が決められていますが、これをコードポイントといいます。
(例)

こちらの環境で開発を行っていきます。
テキストデータの場合ナイーブベイズを使用することが推奨されているため、
今回はナイーブベイズという分類器を使用します。

実際にコードを書いていく

結果

私の環境では、コンソールには【中国語】と表示されました。
判定する文章を変えると日本語と判定されたり、アラビア語と判定されたりするかもしれません。

データをもっと用意すれば、精度が高くなり、同じアルファベットを使用する言語でも判別が可能になります。

メリットを挙げるとすれば、

• 言語判定を行うことでサイトで自動言語切り替えなどが実装できる
• 言語判定で自動翻訳すれば掲示板など世界各国で利用しやすくなる

機械学習は使えるようになると仕事の幅が広がります
既存のサービスに機械学習をプラスすれば、便利なサービスになることは確実です。