人工無脳ししゃもをRails3.2で動かしてみる

Sixamo Ruby Rails

ししゃもについては

を参照のこと。
このエンジン、本来ならファイルを辞書として扱うのですが、
サーバ側で使うためにちょっと分解してRailsに組み込んでみました。

モジュールSixamoはSixamoEngineに改名していますが、
これはミスで、Railsアプリケーションの名前をSixamoにしてしまったために
名前空間がぶつからないよう、エンジン側を変えたものです。
※また、タブ文字はすべて削除、インデントはスペース2つに変更しています。

lib/sixamo_engine.rb

# lib/sixamo_engine.rb
# -*- coding: utf-8 -*-

# for ruby1.9
class String
  alias :each :each_line
end

module SixamoEngine
  def SixamoEngine.new(*args)
    SixamoEngine::Core.new(*args)
  end

  def SixamoEngine.init_dictionary(dirname)
    raise RuntimeError
    dic = Dictionary.new(dirname)

    dic.load_text
    dic.learn_from_text(true)
    dic
  end

  module Util
    def Util.roulette_select(h)
      return nil if h.empty?

      sum = h.values.sum
      return Util.random_select(h.keys) if sum == 0

      r = rand*sum
      h.each do |key,value|
        r -= value
        return key if r <= 0
      end

      Util.random_select(h.keys)
    end

    def Util.random_select(ary)
      ary[rand(ary.size)]
    end

    def Util.message_normalize(str)
      paren_h = {}

      %w(「」 『』 （） ()).each do |paren|
        paren.scan(/./) do |ch|
          paren_h[ch] = paren.scan(/./)
        end
      end

      re = /[「」『』()（）]/
      ary = str.scan(re)

      cnt = 0
      paren = ''
      str2 = str.gsub(re) do |ch|
        res = if cnt == ary.size-1 && ary.size % 2 == 1
                ''
              elsif cnt % 2 == 0
                paren = paren_h[ch][1]
                paren_h[ch][0]
              else
                paren 
              end
        cnt += 1
        res
      end

      str2.gsub!(/「」/,'')
      str2.gsub!(/（）/,'')
      str2.gsub!(/『』/,'')
      str2.gsub!(/\(\)/,'')

      str2
    end

    def Util.markov(src,keywords,trie)
      mar = markov_generate(src,trie)
      result = markov_select(mar,keywords)

      result
    end

    MarkovKeySize = 2
    def markov_generate(src,trie)
      return '' if src.size == 0

      ary = trie.split_into_terms(src.join("\n")+"\n",true)

      size = ary.size
      ary.concat(ary[0,MarkovKeySize+1])

      table = {}
      size.times do |idx|
        key = ary[idx,MarkovKeySize]
        table[key] = [] unless table.key?(key)
        table[key] << ary[idx+MarkovKeySize]
      end

      uniq = {}
      backup = {}

      table.each do |k,v|
        if v.size == 1 
          uniq[k] = v[0]
        else
          backup[k] = table[k].dup
        end
      end

      key = ary[0,MarkovKeySize]
      result = key.join('')
      10000.times do

        if uniq.key?(key)
          str = uniq[key]
        else
          table[key] = backup[key].dup if table[key].size == 0

          idx = rand(table[key].size)
          str = table[key][idx]

          table[key][idx] = nil
          table[key].compact!
        end

        result << str
        key = (key.dup << str)[1,MarkovKeySize]
      end

      result
    end

    def markov_split(str)
      result = []

      while /\A(.{25,}?)([。、．，]+|[?!.,]+[\s　])[ 　]*/.match(str)
        match = Regexp.last_match
        m = match[1]
        m += match[2].gsub(/、/,'。').gsub(/，/,'．') if match[2]
        result << m
        str = match.post_match
      end
      result << str if str.size > 0

      result
    end

    def markov_select(result, keywords)
      tmp = result.split(/\n/) || ['']
      result_ary = tmp.collect { |str| markov_split(str) }.flatten.uniq

      result_ary.delete_if{|a| a.size == 0 || /\0/.match(a) }

      result_hash = {}
      trie = Trie.new(keywords.keys)
      result_ary.each do |str|
        terms = trie.split_into_terms(str).uniq
        result_hash[str] = terms.collect{ |kw| keywords[kw] }.sum || 0
      end

      if $DEBUG
        sum = result_hash.values.sum.to_f
        tmp = result_hash.sort_by{ |k,v| [-v,k] }
        puts "-(候補数: #{result_hash.size})----"
        tmp[0,10].each do |k,v|
          printf("%5.2f%%: %s\n", v/sum*100, k)
        end
      end

      result = Util.roulette_select(result_hash)
      result || ''
    end

    module_function :markov_select, :markov_generate, :markov_split
  end

  class Core
    attr_accessor :dic
    # def initialize(dirname)
    #   @dic = Dictionary.load(dirname)
    # end
    def initialize(dic)
      @dic = dic
    end

    def talk(str=nil,weight={})
      if str
        keywords = @dic.split_into_keywords(str)
      else
        text = @dic.text
        latest_text = if text.size < 10 then text else text[-10..-1] end
        keywords = Hash.new(0)
        latest_text.each do |str|
          keywords.each { |k,v| keywords[k] *= 0.5 }
          @dic.split_into_keywords(str).each { |k,v| keywords[k] += v }
        end
      end

      weight.keys.each do |kw|
        if keywords.key?(kw)
          if weight[kw] == 0
            keywords.delete(kw)
          else
            keywords[kw] *= weight[kw]
          end
        end
      end

      msg = message_markov(keywords)

      if $DEBUG
        sum = keywords.values.sum
        tmp = keywords.sort_by{|k,v| [-v,k] }
        puts "-(term)----"
        tmp.each do |k,v|
          printf " %s(%6.3f%%), ", k, v/sum*100
        end
        puts "\n----------"
      end

      msg
    end

    def memorize(lines)
      @dic.store_text(lines)
      if @dic.learn_from_text
        @dic.save_dictionary
      end
    end

    def message_markov(keywords)
      lines = []
      if keywords.size > 0
        if keywords.size > 10
          keywords.sort_by{|k,v| -v}[10..-1].each do |k,v|
            keywords.delete(k)
          end
        end
        sum = keywords.values.sum
        if sum > 0
          keywords.each { |k,v| keywords[k] = v/sum }
        end

        keywords.keys.collect do |kw| 
          ary = @dic.lines(kw).sort_by{ rand }
          ary[0,10].each do |idx|
            lines << idx
          end
        end.flatten
      end
      10.times { lines << rand(@dic.text.size) }
      lines.uniq!

      source = lines.collect do |k,v|
        @dic.text[k,5]
      end.sort_by{ rand }.flatten.compact.uniq

      msg = Util.markov(source, keywords, @dic.trie)
      msg = Util.message_normalize(msg)

      msg
    end
  end
  class Freq
    def Freq.extract_terms(buf,limit)
      Freq.new(buf).extract_terms(limit)
    end

    def initialize(buf)
      buf = buf.join("\0") if buf.kind_of?(Array)
      @buf = buf
    end

    def extract_terms(limit)
      terms = extract_terms_sub(limit)

      terms = terms.collect {|t,n| [t.reverse.strip,n] }.sort

      terms2 = []
      (terms.size-1).times do |idx|
        if terms[idx][0].size >= terms[idx+1][0].size ||
            terms[idx][0] != terms[idx+1][0][0,terms[idx][0].size]
          terms2 << terms[idx]
        elsif terms[idx][1] >= terms[idx+1][1] + 2
          terms2 << terms[idx]
        end
      end
      terms2 << terms[-1] if terms.size > 0

      terms2.collect {|t,n| t.reverse }
    end

    def extract_terms_sub(limit,str='',num=1,width=false)
      h = freq(str)
      flag = (h.size <= 4)

      result = []
      if limit > 0
        h.delete(str) if h.key?(str)
        h.to_a.delete_if { |k,v| v < 2 }.sort.each do |k,v|
          result.concat( extract_terms_sub(limit-1, k, v, flag) )
        end
      end

      if result.size == 0 && width
        return [[str.downcase,num]]
      end

      result
    end

    def freq(str)
      freq = Hash.new(0)

      if str.size == 0
        regexp = /([!-~])[!-~]*|([ァ-ヴ])[ァ-ヴー]*|([^ー\0])/i
        @buf.scan(regexp) { |ary| freq[ary[0] || ary[1] || ary[2]] += 1 }
      else
        regexp = /#{Regexp.quote(str)}[^\0]?/i
        @buf.scan(regexp) { |str| freq[str] += 1 }
      end

      freq
    end
  end

  class Trie
    def initialize(ary=nil)
      @root = {}
      if ary
        ary.each { |elm| self.add(elm) }
      end
    end

    def add(str)
      node = @root
      str.each_byte do |b|
        node[b] = {} unless node.key?(b)
        node = node[b]
      end
      node[:terminate] = true
    end

    def member?(str)
      node = @root
      str.each_byte do |b|
        return false unless node.key?(b)
        node = node[b]
      end

      node.key?(:terminate)
    end

    def members
      members_sub(@root)
    end

    def members_sub(node,str='')
      node.collect do |k,v|
        if k == :terminate
          str
        else
          members_sub(v,str+k.chr)
        end
      end.flatten
    end
    private :members_sub

    def split_into_terms(str,num=nil)
      result = []

      return result unless str

      while str.size > 0 && ( !num.kind_of?(Numeric) || result.size < num )
        prefix = longest_prefix_subword(str)
        if prefix
          result << prefix
          str = str[prefix.size..-1]
        else
          chr = /./m.match(str)[0]
          result << chr if num
          str = Regexp.last_match.post_match
        end
      end

      result
    end

    def longest_prefix_subword(str)
      node = @root
      result = nil
      idx = 0
      str.each_byte do |b|
        result = str[0,idx] if node.key?(:terminate)
        return result unless node.key?(b)
        node = node[b]
        idx += 1
      end

      result = str if node.key?(:terminate)
      result
    end

    def delete(str)
      node = @root
      ary = []
      str.each_byte do |b|
        return false unless node.key?(b)
        ary << [node,b]
        node = node[b]
      end

      return false unless node.key?(:terminate)
      ary << [node,:terminate]

      ary.reverse.each do |node,b|
        node.delete(b)
        break unless node.empty?
      end

      true
    end
  end
end

app/models/dictionary.rb

# app/models/dictionary.rb
class Dictionary < ActiveRecord::Base
  after_initialize :dictionary_initialize
  DICT_INIT = "line_num: 0\n"

  attr_reader :text, :trie
  LTL = 3
  WindowSize = 500

  # def Dictionary.load(dirname)
  #   dic = Dictionary.new(dirname)
  #   dic.load_text
  #   dic.load_dictionary
  #   dic
  # end

  def reset
    self.textdata = ""
    self.dict = DICT_INIT
  end

  def dictionary_initialize
    @occur = Hash.new([])
    @rel = {}
    @trie = SixamoEngine::Trie.new
    @text = []
    @line_num = 0
    self.dict = DICT_INIT if self.dict.blank?
    load_text
    load_dictionary
  end

  def load_text
    # return unless File.readable?(@text_filename)

    # File.open(@text_filename) do |fp|
    self.textdata.each_line do |line|
      line.chomp!
      @text << line
    end
  end

  def load_dictionary
    # return unless File.readable?(@dic_filename)

    # File.open(@dic_filename) do |fp|
    # header
    # fp.each do |line|
    self.dict.each_line do |line|
      line.chomp!
      case line
      when /^$/
        break
      when /line_num:\s*(.*)\s*$/i
        @line_num = $1.to_i
      else
        logger.debug "[Warning] Unknown_header #{line}"
      end
    end
    # body
    # fp.each do |line|
    self.dict.each_line do |line|
      line.chomp!
      word, num, sum, occur = line.split(/\t/)
      if occur
        @occur[word] = occur.split(/,/).collect { |l| l.to_i }
        add_term(word)
        @rel[word] = Hash.new(0)
        @rel[word][:num] = num.to_i
        @rel[word][:sum] = sum.to_i
      end
    end
  end

  def save_text
    # tmp_filename = "#{@dirname}/sixamo.tmp.#{Process.pid}-#{rand(100)}"
    # File.open(tmp_filename, 'w') do |fp|
    # fp.puts @text
    # end
    # File.rename( tmp_filename, @text_filename )
    logger.debug "WARNING: #{self.class}#save_text was called!"
    self.textdata = @text.join("\n")
    self.save!
  end

  def save_dictionary
    # tmp_filename = "#{@dirname}/sixamo.tmp.#{Process.pid}-#{rand(100)}"
    # File.open(tmp_filename, 'w') do |fp|
    #   fp.print self.to_s
    # end
    # File.rename( tmp_filename, @dic_filename )
    logger.debug "WARNING: #{self.class}#save_dictionary was called!"
    self.dict = self.to_s
    self.save!
  end

  def learn_from_text(progress=nil)
    modified = false
    read_size = 0
    buf_prev = []
    end_flag = false
    idx = @line_num

    while true
      buf = []
      if progress
        idx2 = read_size/WindowSize * WindowSize
        if idx2 % 100_000 == 0
          logger.debug "#{self.class}#learn_from_text: " +
            sprintf("\n%5dk ", idx2/1000)
        elsif idx2 % 20_000 == 0
          logger.debug "#{self.class}#learn_from_text: *"
        elsif idx2 % 2_000 == 0
          logger.debug "#{self.class}#learn_from_text: ."
        end
      end

      tmp = read_size
      while tmp/WindowSize == read_size/WindowSize
        if idx >= @text.size
          end_flag = true
          break 
        end
        buf << @text[idx]
        tmp += @text[idx].size
        idx += 1
      end
      read_size = tmp

      break if end_flag

      if buf_prev.size > 0
        learn(buf_prev+buf, @line_num)
        modified = true

        @line_num += buf_prev.size
      end

      buf_prev = buf
    end
    # STDERR.print "\n" if progress
    modified
  end

  def store_text(lines)
    ary = []
    lines.each{ |line| ary << line.gsub(/\s+/, ' ').strip }
    ary.each{ |line| @text << line }
    logger.debug ary.inspect
    self.textdata += "\n" if not self.textdata.blank?
    self.textdata += ary.map(&:chomp).join("\n")
    self.save!
  end

  def learn(lines,idx=nil)
    new_terms = SixamoEngine::Freq.extract_terms(lines,30)
    new_terms.each { |term| add_term(term) }
    if idx
      words_all = []
      lines.each_with_index do |line,i|
        num = idx + i
        words = split_into_terms(line)
        words_all.concat(words)
        words.each do |term|
          if @occur[term].empty? || num > @occur[term][-1]
            @occur[term] << num
          end
        end
      end
      weight_update(words_all)

      self.terms.each do |term|
        occur = @occur[term]
        size = occur.size
        if size < 4 && size > 0 && occur[-1]+size*150 < idx
          del_term(term)
        end
      end
    end
  end

  def split_into_keywords(str)
    result = Hash.new(0)
    terms = split_into_terms(str)
    terms.each do |w|
      result[w] += self.weight(w)
    end
    result
  end

  def split_into_terms(str,num=nil)
    @trie.split_into_terms(str,num)
  end

  def to_s
    result = ""
    # header
    result << "line_num: #{@line_num}\n"
    result << "\n"
    @occur.delete_if { |k,v| v.size == 0 }
    @occur.each { |k,v|@occur[k] = v[-100..-1] if v.size > 100 }

    # body
    tmp = @occur.keys.sort_by do |k| 
      [-@occur[k].size, @rel[k][:num], k.length, k]
    end
    tmp.each do |k|
      result << format("%s\t\%s\t\%s\t%s\n", 
                       k,
                       @rel[k][:num],
                       @rel[k][:sum],
                       @occur[k].join(','))
    end
    result
  end

  def weight_update(words)
    width = 20
    words.each do |term|
      @rel[term] = Hash.new(0) unless @rel.key?(term)
    end
    size = words.size
    (size-width).times do |idx1|
      word1 = words[idx1]
      (idx1+1).upto(idx1+width) do |idx2|
        @rel[word1][:num] += 1 if word1 == words[idx2]
        @rel[word1][:sum] += 1
      end
    end

    (width+1).times do |idx1|
      word1 = words[-idx1]

      if word1
        (idx1-1).downto(1) do |idx2|
          @rel[word1][:num] += 1 if word1 == words[-idx2]
          @rel[word1][:sum] += 1
        end
      end
    end
  end

  def weight(word)
    if !@rel.key?(word) || @rel[word][:sum] == 0
      0
    else
      num = @rel[word][:num]
      sum = @rel[word][:sum].to_f
      num/(sum*(sum+100))
    end
  end

  def lines(word)
    @occur[word] || []
  end

  def terms
    @occur.keys
  end

  def add_term(str)
    @occur[str] = [] unless @occur.key?(str)
    @trie.add(str)
    @rel[str] = Hash.new(0) unless @rel.key?(str)
  end

  def del_term(str)
    occur = @occur[str]
    @occur.delete(str)
    @trie.delete(str)
    @rel.delete(str)

    tmp = split_into_terms(str)
    tmp.each { |w| @occur[w] = @occur[w].concat(occur).uniq.sort }
    weight_update(tmp) if tmp.size > 0
  end
end

変更点は、まず冒頭の String#each をエイリアスしているところ。
Ruby1.9では String#each_line のエイリアスだった each が撤廃されているんですが、
sixamo.rb はもともと String#each を呼び出すように作られているため、
ちょっと強引にクラスの方を改造してみました。

それから、モジュールから Dictionary クラスを切り取っています。
Dictionary クラスでファイル（＝辞書）の読み書きを行なっていたので、
これを後述するRailsのモデルとして実装してみました。

さらに、SixamoEngine.newの引数をそのまま
Railsのモデル（Dictionary）を取るように変更しています。

まだテスト段階なのでエラーを吐くかも知れませんが、
ちょっと触ってみた限りは問題なく動いています。
SixamoEngine::Core#initialize で @occurs = Hash.new([]) としているのは
nilに対してempty?を呼び出そうとしたからなんですが、
これはRuby1.9になったからなのか、それとも何か別の……。((((；ﾟДﾟ))))

続いて $RAILS_ROOT/app/models/dictionary.rb です。
これはもう素直、あるいは強引にデータベースを読むようにしたもので、
Sixamo::Core#memorize が呼ばれるたびにレコードの更新を行うため
負荷がものすごいことになっていそうです。
かといって保存するタイミングもどうしたらいいのか……んー。

ちなみにカラムはこんな感じ。

$ rails g model Dictionary textdata:text dict:text

この2つをそれぞれ lib/ と app/models/ に放り込み、

@dic = Dictionary.new
@dic.save # ししゃもインスタンスを作る前にsaveしておく

@sixamo = SixamoEngine.new(@dic)
@sixamo.memorize("メモライズする")
@sixamo.talk("言葉に反応して喋る")
@sixamo.talk # ランダムに何か喋る

@dic.reset # 辞書をリセットする

こんな感じでコントローラから呼び出せます。

レコードの更新は @sixamo.memorize した時点で自動的に行われるので、
それがいいことかどうかはともかく、基本的に@dicを明示的にsaveする必要はありません。
ただ Dictionary.new した直後のインスタンスをいきなり渡すのは怖いので
ここだけ明示的にsaveさせています。

まだまだバグはありそうですが、とりあえず動いているということでひとつ。