libae を使って簡単な検索プログラムmsearch2.c を書いてみます． 元となるプログラムは 「GETA による電子メール検索システムの製作」 で作った msearch.c です．
まずは，インクルードファイルを定義しておきましょう．#include <geta/wam.h> #include <geta/ae.h>libae を使うために新たなヘッダファイル(ae.h)をインクルードしています．
なお以降，libwam の基本的な関数については特に説明しませんので， 必要であれば 「WAM チュートリアル」 または man ページを参照してください．
libae の関数は事実上 wsh だけと言ってもよいでしょう． wsh は syminfo 型のリストを入力として syminfo 型のリストを返します．
syminfo *q;
int qlen;
syminfo *r;
int rlen;
WAM *w;
r = wsh(q, qlen, w, WAM_COL, WT_TF, &rlen, NULL, NULL, NULL);*qが入力リスト，*rが出力リストです．wsh が何をやるかは置いておき，
とりあえずsyminfo型を見てみましょう(ae.hから抜粋します)． struct syminfo {
symbol_t id;
int TF, TF_d;
int DF, DF_d;
double weight;
int attr;
}id が実際の単語または文書の番号です．
wsh は単語リストを入力とすると，
それに関連する文書リストを返します．
逆に，文書リストを入力とすると，
それに関連する単語リストを返します．
WAM の言葉で言うと，
列(WAM_COL)を入力とすると行(WAM_ROW)を返し，
行(WAM_ROW)を入力とすると列(WAM_COL)を返すということです．
混乱を避けるため，
ここでは単語リスト(WAM_COL)を入力として
文書リスト(WAM_ROW)を返す場合を扱います．検索を行うためには，syminfo型リストの各要素に あらかじめいくつかの値を設定しておく必要があります． まずは，検索単語の番号を id に指定します． 次に，その単語が検索要求中にあらわれる頻度を TF_d で指定します． また，その単語が検索対象のコーパス中にあらわれる頻度を TF で指定します．attr にはとりあえず WSH_OR を指定してください．attr の詳しい使い方については 「AND 検索を実装する」 で説明します． その他のDF, DF_d, weight はとりあえず未定義のままでかまいません．
それでは，実際に検索要求の文章から *q を作ってみましょう． libae にはこのための関数 wstem が用意されています．
char *qtxt;
WAM *w;
char *jma;
syminfo *q;
int qlen
q = wstem(qtxt, w, WAM_COL, jma, &qlen);wstem は，
第一引数で指定した入力文字列(ストリング) *qtxt を形態素解析器 jma で解析し，
自動的に頻度集計をして *q を作ります．
実際には，*q の各要素の id, TF, TF_d を計算して埋め，attr は WSH_OR を設定します．qlen には *q の長さが返ってきます．w は検索対象のコーパスに相当する WAM です．
今は単語キーにして検索するため向きは WAM_COL です．jma に形態素解析プログラムの場所を指定します．
これについては
「GETA による電子メール検索システムの製作」
に詳しく書いてありますので参照してください．
なお，jma は wstem を呼ぶごとに毎回起動しますので注意してください．
もし，起動に時間がかかるような jma なら，GEMUを使って
サーバ化したほうがよいかもしれません．以上で検索要求 *q の準備がととのいました．wsh を呼んで文書を検索してみましょう．
syminfo *q;
int qlen;
syminfo *r;
int rlen;
WAM *w;
r = wsh(q, qlen, w, WAM_COL, WT_TF, &rlen, NULL, NULL, NULL);ここで，q は検索要求(syminfo型)へのポインタ，qlen は *q の長さです．w は検索対象の WAM です．
単語リストから検索をおこないますので，WAM の向きは WAM_COL となります．rlen の初期値には検索したい文書数を指定します．
指定した文書数より少ない文書しか検索できなかった場合は，
実際に検索できた文書数に置きかわります．
最後の NULL はとりあえずこう指定しておいてください．
重要なのは WT_TF で，
ここで類似度の計算式を指定しています．
libae では既にいろいろな式があらかじめ定義されています．
ここではその中の WT_TF を指定しています．
類似度の計算式はユーザが自由に定義して指定することができますが，
その方法は後ほど学びます．wsh を呼ぶと結果が *r に返ってきます．*r も syminfo 型のリストであることは既に説明しました． 検索要求 *q が単語リストですから，*r は文書リストになります． もう一度 syminfo 型の定義を書いておきます．
struct syminfo {
symbol_t id;
int TF, TF_d;
int DF, DF_d;
double weight;
int attr;
}*r の各要素では id は文書番号になります．weight に WT_TF を使って計算した類似度が代入されています．DF_d には検索要求 *q 中の何個の単語がヒットしたかが代入されています．DF はこの場合あまり意味がありませんが，
この文書に含まれている単語の数(注:頻度ではありません)が代入されます．TF, TF_d にも値が代入されていますが，
ここではほとんど意味をなさない数ですので無視します．
詳しくはcustom.txtを
見てください．
これらは，文書リストをキーに単語を検索するときに意味を持ってくるでしょう．*r に返ってきた syminfo 型リストを weight でソートすれば検索は完了です． 自分で qsort を呼んでもたいした手間ではありませんが， ここでは libae に用意されている関数を使いました．
sort_w_syminfo_list(r, rlen);
for (i=0; i<rlen; i++) {
printf("%lf\t%s\n", r[i].weight, wam_id2name(w, WAM_ROW, r[i].id));
}以上でプログラムができました．
wsh は検索要求中の各単語について，
それを含む文書を効率良く集計しながら重みを計算しています．
ですから，
「GETA による電子メール検索システムの製作」
で作った Msearch のような集計スクリプトは必要ありません．プログラムをコンパイルして実行してみましょう．
% cc msearch2.c -o msearch2 -I$GETAROOT/include -L$GETAROOT/lib -lwam -lgetamu -lsrvmu -lae -lm
% msearch2
昨日、猿が現れました
^D
0.043264 inbox/2
0.040112 inbox/1
0.034713 inbox/4
...「3: 類似度定義ファイルの基礎」に進む
「1: はじめに」に戻る