Module: TwitterWithAutoPagination::REST::Extension::Clusters

Includes:
Utils
Included in:
API
Defined in:
lib/twitter_with_auto_pagination/rest/extension/clusters.rb

Constant Summary collapse

PROFILE_SPECIAL_WORDS = 
%w(20↑ 成人済 腐女子)
PROFILE_SPECIAL_REGEXP = 
nil
PROFILE_EXCLUDE_WORDS = 
%w(in at of my to no er by is RT DM the and for you inc Inc com from info next gmail 好き こと 最近 紹介 連載 発売 依頼 情報 さん ちゃん くん 発言 関係 もの 活動 見解 所属 組織 代表 連絡 大好き サイト ブログ つぶやき 株式会社 最新 こちら 届け お仕事 ツイ 返信 プロ 今年 リプ ヘッダー アイコン アカ アカウント ツイート たま ブロック 無言 時間 お願い お願いします お願いいたします イベント フォロー フォロワー フォロバ スタッフ 自動 手動 迷言 名言 非公式 リリース 問い合わせ ツイッター)
PROFILE_EXCLUDE_REGEXP = 
Regexp.union(/\w+@\w+\.(com|co\.jp)/, %r[\d{2,4}(年|/)\d{1,2}(月|/)\d{1,2}日], %r[\d{1,2}/\d{1,2}], /\d{2}th/, URI.regexp)

Constants included from Utils

Utils::DEFAULT_CALL_LIMIT

Instance Method Summary collapse

Methods included from Collector

#collect_with_cursor, #collect_with_max_id

Instance Method Details

#count_freq_hashtags(tweets, with_prefix: true, use_regexp: false, debug: false) ⇒ Object 



51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
 
# File 'lib/twitter_with_auto_pagination/rest/extension/clusters.rb', line 51

def count_freq_hashtags(tweets, with_prefix: true, use_regexp: false, debug: false)
  puts "tweets: #{tweets.size}" if debug
  return {} if tweets.blank?

  prefix = %w(# ＃)
  regexp = /[#＃]([Ａ-Ｚａ-ｚA-Za-z_一-鿆0-9０-９ぁ-ヶｦ-ﾟー]+)/

  tweets =
    if use_regexp
      tweets.select { |t| t.text && prefix.any? { |char| t.text.include?(char)} }
    else
      tweets.select { |t| include_hashtags?(t) }
    end
  puts "tweets with hashtag: #{tweets.size}" if debug

  hashtags =
    if use_regexp
      tweets.map { |t| t.text.scan(regexp).flatten.map(&:strip) }
    else
      tweets.map { |t| extract_hashtags(t) }
    end.flatten
  hashtags = hashtags.map { |h| "#{prefix[0]}#{h}" } if with_prefix

  hashtags.each_with_object(Hash.new(0)) { |h, memo| memo[h] += 1 }.sort_by { |k, v| [-v, -k.size] }.to_h
end

#fetch_lists(user, debug: false) ⇒ Object 



104
105
106
107
108
109
 
# File 'lib/twitter_with_auto_pagination/rest/extension/clusters.rb', line 104

def fetch_lists(user, debug: false)
  memberships(user, count: 500, call_limit: 2).sort_by { |li| li.member_count }
rescue Twitter::Error::ServiceUnavailable => e
  puts "#{__method__}: #{e.class} #{e.message} #{user.inspect}" if debug
  []
end

#hashtag_clusters(hashtags, limit: 10, debug: false) ⇒ Object 



77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
 
# File 'lib/twitter_with_auto_pagination/rest/extension/clusters.rb', line 77

def hashtag_clusters(hashtags, limit: 10, debug: false)
  puts "hashtags: #{hashtags.take(10)}" if debug

  hashtag, count = hashtags.take(3).each_with_object(Hash.new(0)) do |tag, memo|
    tweets = search(tag)
    puts "tweets #{tag}: #{tweets.size}" if debug
    memo[tag] = count_freq_hashtags(tweets).reject { |t, c| t == tag }.values.sum
  end.max_by { |_, c| c }

  hashtags = count_freq_hashtags(search(hashtag)).reject { |t, c| t == hashtag }.keys
  queries = hashtags.take(3).combination(2).map { |ary| ary.join(' AND ') }
  puts "selected #{hashtag}: #{queries.inspect}" if debug

  tweets = queries.map { |q| search(q) }.flatten
  puts "tweets #{queries.inspect}: #{tweets.size}" if debug

  if tweets.empty?
    tweets = search(hashtag)
    puts "tweets #{hashtag}: #{tweets.size}" if debug
  end

  members = tweets.map { |t| t.user }
  puts "members count: #{members.size}" if debug

  count_freq_words(members.map { |m| m.description  }, special_words: PROFILE_SPECIAL_WORDS, exclude_words: PROFILE_EXCLUDE_WORDS, special_regexp: PROFILE_SPECIAL_REGEXP, exclude_regexp: PROFILE_EXCLUDE_REGEXP, debug: debug).take(limit)
end

#list_clusters(lists, shrink: false, shrink_limit: 100, list_member: 300, total_member: 3000, total_list: 50, rate: 0.3, limit: 10, debug: false) ⇒ Object 



111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
 
# File 'lib/twitter_with_auto_pagination/rest/extension/clusters.rb', line 111

def list_clusters(lists, shrink: false, shrink_limit: 100, list_member: 300, total_member: 3000, total_list: 50, rate: 0.3, limit: 10, debug: false)
  lists = lists.sort_by { |li| li.member_count }
  puts "lists: #{lists.size} (#{lists.map { |li| li.member_count }.join(', ')})" if debug
  return {} if lists.empty?

  open('lists.txt', 'w') {|f| f.write lists.map(&:full_name).join("\n") } if debug

  list_special_words = %w()
  list_exclude_regexp = %r(list[0-9]*|people-ive-faved|twizard-magic-list|my-favstar-fm-list|timeline-list|conversationlist|who-i-met)
  list_exclude_words = %w(it list people who met)

  # リスト名を - で分割 -> 1文字の単語を除去 -> 出現頻度の降順でソート
  words = lists.map { |li| li.full_name.split('/')[1] }.
    select { |n| !n.match(list_exclude_regexp) }.
    map { |n| n.split('-') }.flatten.
    delete_if { |w| w.size < 2 || list_exclude_words.include?(w) }.
    map { |w| SYNONYM_WORDS.has_key?(w) ? SYNONYM_WORDS[w] : w }.
    each_with_object(Hash.new(0)) { |w, memo| memo[w] += 1 }.
    sort_by { |k, v| [-v, -k.size] }

  puts "words: #{words.take(10)}" if debug
  return {} if words.empty?

  # 出現頻度の高い単語を名前に含むリストを抽出
  _words = []
  lists =
    filter(lists, min: 2) do |li, i|
      _words = words[0..i].map(&:first)
      name = li.full_name.split('/')[1]
      _words.any? { |w| name.include?(w) }
    end
  puts "lists include #{_words.inspect}: #{lists.size} (#{lists.map { |li| li.member_count }.join(', ')})" if debug
  return {} if lists.empty?

  # 中間の 25-75% のリストを抽出
  while lists.size > shrink_limit
    percentile25 = ((lists.length * 0.25).ceil) - 1
    percentile75 = ((lists.length * 0.75).ceil) - 1
    lists = lists[percentile25..percentile75]
    puts "lists sliced by 25-75 percentile: #{lists.size} (#{lists.map { |li| li.member_count }.join(', ')})" if debug
  end if shrink || lists.size > shrink_limit

  # メンバー数がしきい値より少ないリストを抽出
  _list_member = 0
  _min_list_member = 10 < lists.size ? 10 : 0
  _lists =
    filter(lists, min: 2) do |li, i|
      _list_member = list_member * (1.0 + 0.25 * i)
      _min_list_member < li.member_count && li.member_count < _list_member
    end
  lists = _lists.empty? ? [lists[0]] : _lists
  puts "lists limited by list member #{_min_list_member}..#{_list_member.round}: #{lists.size} (#{lists.map { |li| li.member_count }.join(', ')})" if debug
  return {} if lists.empty?

  # トータルメンバー数がしきい値より少なくなるリストを抽出
  _lists = []
  lists.size.times do |i|
    _lists = lists[0..(-1 - i)]
    if _lists.map { |li| li.member_count }.sum < total_member
      break
    else
      _lists = []
    end
  end
  lists = _lists.empty? ? [lists[0]] : _lists
  puts "lists limited by total members #{total_member}: #{lists.size} (#{lists.map { |li| li.member_count }.join(', ')})" if debug
  return {} if lists.empty?

  # リスト数がしきい値より少なくなるリストを抽出
  if lists.size > total_list
    lists = lists[0..(total_list - 1)]
  end
  puts "lists limited by total lists #{total_list}: #{lists.size} (#{lists.map { |li| li.member_count }.join(', ')})" if debug
  return {} if lists.empty?

  members = lists.map do |li|
    begin
      list_members(li.id)
    rescue Twitter::Error::NotFound => e
      puts "#{__method__}: #{e.class} #{e.message} #{li.id} #{li.full_name} #{li.mode}" if debug
      nil
    end
  end.compact.flatten
  puts "candidate members: #{members.size}" if debug
  return {} if members.empty?

  open('members.txt', 'w') {|f| f.write members.map{ |m| m.description.gsub(/\R/, ' ') }.join("\n") } if debug

  3.times do
    _members = members.each_with_object(Hash.new(0)) { |member, memo| memo[member] += 1 }.
      select { |_, v| lists.size * rate < v }.keys
    if _members.size > 100
      members = _members
      break
    else
      rate -= 0.05
    end
  end
  puts "members included multi lists #{rate.round(3)}: #{members.size}" if debug

  count_freq_words(members.map { |m| m.description }, special_words: PROFILE_SPECIAL_WORDS, exclude_words: PROFILE_EXCLUDE_WORDS, special_regexp: PROFILE_SPECIAL_REGEXP, exclude_regexp: PROFILE_EXCLUDE_REGEXP, debug: debug).take(limit)
end

#tweet_clusters(tweets, limit: 10, debug: false) ⇒ Object 



14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
 
# File 'lib/twitter_with_auto_pagination/rest/extension/clusters.rb', line 14

def tweet_clusters(tweets, limit: 10, debug: false)
  return {} if tweets.blank?
  text = tweets.map(&:text).join(' ')

  if defined?(Rails)
    exclude_words = JSON.parse(File.read(Rails.configuration.x.constants['cluster_bad_words_path']))
    special_words = JSON.parse(File.read(Rails.configuration.x.constants['cluster_good_words_path']))
  else
    exclude_words = JSON.parse(File.read('./cluster_bad_words.json'))
    special_words = JSON.parse(File.read('./cluster_good_words.json'))
  end

  %w(べたら むっちゃ それとも たしかに さそう そんなに ったことある してるの しそうな おやくま ってますか これをやってるよ のせいか 面白い 可愛い).each { |w| exclude_words << w }
  %w(面白い 可愛い 食べ物 宇多田ヒカル ご飯 面倒 体調悪くなる 空腹 頑張ってない 眼鏡 台風 沖縄 らんま1/2 女の子 怪我 足のむくみ 彼女欲しい 彼氏欲しい 吐き気 注射 海鮮チヂミ 出勤 価格ドットコム 幹事 雑談 パズドラ ビオフェルミン 餃子 お金 まんだらけ 結婚 焼肉 タッチペン).each { |w| special_words << w }

  # クラスタ用の単語の出現回数を記録
  frequency =
    special_words.map { |sw| [sw, text.scan(sw)] }
      .delete_if { |_, matched| matched.empty? }
      .each_with_object(Hash.new(0)) { |(word, matched), memo| memo[word] = matched.size }

  # 同一文字種の繰り返しを見付ける。漢字の繰り返し、ひらがなの繰り返し、カタカナの繰り返し、など
  text.scan(/[一-龠〆ヵヶ々]+|[ぁ-んー～]+|[ァ-ヴー～]+|[ａ-ｚA-ZＡ-Ｚ０-９]+|[、。！!？?]+/).

    # 複数回繰り返される文字を除去
    map { |w| w.remove /[？！?!。、ｗ]|(ー{2,})/ }.

    # 文字数の少なすぎる単語、除外単語を除去する
    delete_if { |w| w.length <= 2 || exclude_words.include?(w) }.

    # 出現回数を記録
    each { |w| frequency[w] += 1 }

  # 複数個以上見付かった単語のみを残し、出現頻度順にソート
  frequency.select { |_, v| 2 < v }.sort_by { |k, v| [-v, -k.size] }.take(limit).to_h
end