ワードクラウド生成ツール

ワードクラウド生成ツールについて

ワードクラウドは、文章によく出てくる単語ほど大きく描いた図です。このツールはテキスト(またはtxt、pdf、docxなどから取り出したテキスト)を単語に分け、回数を数え、最も多い単語を中央に置き、残りを渦巻き状に外へたどりながら空いている場所に配置します。

要約のように見えますが、ワードクラウドが表しているのは「その文字列が何回出たか」だけです。以下では、数え方と配置のしくみ、そして日本語で使うときに最初に知っておくべき制約を説明します。

日本語の文章の単語分け

ツールはブラウザのIntl.Segmenterで文章を単語に分けます。日本語のように空白を入れない言語は、ブラウザに組み込まれた辞書で区切ります。「吾輩は猫である。名前はまだ無い。」は、吾輩・は・猫・で・ある・名前・は・まだ・無い に分かれ、助詞や助動詞(は・で・ある)はストップワードとして除かれます。品詞を判定する形態素解析(MeCabなど)ではないので、動詞や形容詞も残り、活用形(行く・行き)は別の語になります。

辞書にない新語や固有名詞は細かく分かれることがあります。名詞だけで比べたいときは、形態素解析ツールで名詞を取り出した結果を空白か改行で区切って入れてください。

同じ理由で、表記ゆれも別の語になります。「サーバー」と「サーバ」、「問い合わせ」と「問合せ」は合算されません。入力前に置換でそろえておくと結果が安定します。

ストップワード

ストップワード除去をオンにすると、the、of、and などの英語の機能語約100語、韓国語の接続詞・代名詞、スペイン語の冠詞・前置詞、日本語の助詞・助動詞・指示語・形式名詞(の・は・を・です・ます・こと・する・ある・これ など)を除外します。アンケート分析なら、商品名や質問文の言葉そのものも毎回出てくるので、「除外する単語」欄に読点・カンマ・空白で区切って入れると差が見えます。この欄はストップワード除去をオフにしても効きます。

大きさは重要度ではない

文字サイズは出現回数に比例して(最小サイズから最大サイズへ直線的に)決まります。しかし人が感じるのは文字の高さではなく占める面積で、面積は文字サイズの2乗と語の長さに比例します。文字サイズが2倍の語は面積が4倍になり、同じ回数でも「コミュニケーション」は「猫」よりずっと目立ちます。

回数は文脈も失います。「不満はない」と「不満が多い」はどちらも「不満」を大きくします。ニューヨーク・タイムズの開発者だったジェイコブ・ハリスは2011年の記事「Word clouds considered harmful」で、ワードクラウドはもっとも粗いテキスト分析しかできず、文脈の解釈を読み手に丸投げすると批判しました。結論は頻度表や実際の回答の引用で示し、ワードクラウドは第一印象を伝える図として使うのが無難です。

配置アルゴリズム

配置は d3-cloud(Jason Davies)と同系統の渦巻き探索です。頻度の高い語から順に中央に置こうとし、すでに置いた語と重なれば渦巻きに沿って少しずつ外へ動かして最初の空きを探します。四角形は枠の縦横比に合わせた四角い渦巻き、円形はアルキメデスの渦巻きを使います。5語ごとに縦置きを試します。重なり判定は語を囲む長方形で行うので、大きな語の字間に小さな語が入り込むことはありません。場所が見つからない語は表示されないため、最大単語数を増やしても数が変わらないときは空間が足りていません。

例

使い方

1. テキストを貼り付けるか、txt・pdf・docxなどのファイルを読み込みます。
2. 最大単語数、形(四角・円)、縦置き、ストップワード除去、除外する単語を設定します。
3. 生成して画像として保存します。配置は実行ごとに少し変わることがあります。

よくある質問