テキストの前処理

トークン化

トークン化は、テキストをトークンと呼ばれる小さな単位に分割するプロセスです。トークンは、単語、文、またはサブワード（部分単語）になることがあります。これは、NLPにおいて基本的なステップであり、生のテキストをアルゴリズムがより容易に処理できる形式に変換するものです。日本語のトークン化は、単語間にスペースがないことや、漢字、ひらがな、カタカナが使用されているため、より複雑です。以下は、 MeCab 、 Sudachi 、 Kuromoji 、および Janome についての詳細です。これらは日本語テキストのトークン化に使用できる主要なツールです。

1. MeCab（メカブ）