前書き

以前Qiitaの記事で、平成の次の元号をAIで予測したことがあり、
それについて、テレビ取材（フジテレビ）を受けることになった。

前回作った元号予測AIを強化して、
四書五経や、日本の古典なども出典も視野に入れて、
AIによる元号ガチ予測を実施して欲しいとのこと。
4月1日、新元号が発表される当日、発表直前に放映する予定だそうだ。

つまり、新元号の予想はＸＸです！と言った瞬間に、
残念違いましたーー！と分かってしまう、がっかり感

事前にウワサ等で予想されているものは採用されない、
という話もあるために、ガチで当てるためには直前放映しかない
という恐るべき戦い。
（どう考えてもピッタリ当てるのは難易度が高すぎる）

まだ前回の記事をご覧になっていない方は、以下を参照されたし。

前回の記事⇒　平成の次の元号を、AIだけで決めさせる物語

本記事投稿理由

本当は、4月1日の放送に期待してください、
以上終わり、なのだが、

①テレビ上の放送時間は恐らく５分程度と短く、
　一般人向けの放送であるため、
　プログラム的な面白さはたぶんほぼ含まれない。

②4月1日の放送＆発表後に、試行錯誤した内容や、
　プログラム自体をアップしても良いが、
　4月1日の発表後に記事にしても、
　既に正解が出ているので全く面白くない。

③むしろ、発表後に投稿するならば、
　「実際に公開された元号が、AIから見てどうだったのか？」という
　新元号の評価の物語の方が
　外した予想の物語よりも、オモシロイだろう。

⇒苦肉の策として、
　放送前に、予想AI＆プログラムの物語の大部分の趣旨は公開してみる。
　Qiitaの読者諸兄には前回の物語の続きを心待ちにしている
　おかしな人もいるかもしれないので、ちゃんと続きを書く。
　番組宣伝的にもなっていいかもしれない。たぶん。

　事前に予想されてしまうと却下という話のため、
　最後の「結論」的な部分は
　公開できない部分があるが、そこはご了承を願いたい。
　まあ、「予想」は、発表後に書いても無意味なので、
　放送時間では入りきらない＆詳細すぎる部分を、
　さきにここに書いておくよ、ってこと。
　あくまで、プログラムを使った
　現在進行形の「物語」としてお楽しみください。

前回の予測の概要と、この記事で目指す内容

前回の記事の内容は、
良い意味を持つ漢字と、
その漢字のバランスの取れた組み合わせを
機械的な計算のみで見つけることができるか？
という試みであった。

前回の記事⇒　平成の次の元号を、AIだけで決めさせる物語

元号の多くは、四書五経などの漢籍に出典を持つが、
それは定められたルールではない。

元号法に関連して定められた、
1979年の元号選定手続きの要領によれば、
あくまでも以下の６つがルールである。

　1. 国民の理想としてふさわしいようなよい意味を持つものであること。
　2. 漢字2字であること。
　3. 書きやすいこと。
　4. 読みやすいこと。
　5. これまでに元号又はおくり名として用いられたものでないこと。
　6. 俗用されているものでないこと。

よって、四書五経などの漢籍を参照するという、
いわば「定石」を学習せずに、
「１」の「国民の理想としてふさわしいようなよい意味」を、
日本語の通常の文章（wikipediaのテキストデータ）から
機械学習によって導き出すことができるか？という点が
前回挑戦したテーマである。

例えば、囲碁や将棋のAIを作る場合を考えてみると、
そのルールだけから作るのか、
プロ棋士同士の棋譜を見て学ぶのか、二通りの方法があるが、
プロ棋士の棋譜（漢籍そのもの及び、学者の選定基準）を
一切入れずにどこまで出来るのか、ということ。

元号を「当てる」ために作っているのとはちょっと違う。

※実際は、四書五経などの古典データの入手が面倒という点と、
　そのどの書をお手本に選ぶかなどの、人間判断が入ってしまうことを
　嫌ったという実務的な理由もあって、「ルールのみ」の取り組みとした。

今回のフジテレビ殿の依頼内容について、私と利害が一致した理由は、
じゃあコイツに「出典」の候補になるデータを喰わせたらどうなるの？
もっと頑張れば（当てにいけば）どうなるの？
という興味の探究である。

フジテレビ殿としても、Qiita記事そのままではなく、さらなる強化版を放送したい。
私としても、出典こみ＆様々な要素を強化したバージョンを
元号発表前までの旬な間に作ってみたいし、当ててみたい。
ということで、出典の入手をフジテレビ殿にお願いし、
前回のプログラムのブラッシュアップを行うことになった。
（取材の申し込みをいただいたのは良いキッカケとなった）

実際に出た結論は4月1日までのお楽しみとして、
試した内容や、プログラムを強化した内容、
その試行錯誤の歩みの一部を、以下に記す。
（※本記事投稿時点ではほぼ完成したものの、最終結論はもうちょい）

ちゃんと記録するとまたまた長くなってしまう。
同じ時代を生きる人々へ、歴史的瞬間に共に立ち会う物語として、
未来への戦いに挑んだ記録を残す日誌として、扱って欲しい

本投稿の内容

前回記事を見ていただいた上で、その強化版＆続編です。
こういう検討をしたけどダメだった、の部分は
放送時間的に全く入らないと思われるため、そのへんの記録目的も含めます。

• ガチで、AIだけに漢字のセレクトを任せ、新元号に相応しい言葉を計算します。
• 使えるINPUT情報は、以下のようにしました。
  • Wikipediaのテキストデータ
    • （ただの大量テキストとして扱う）
  • 既に使われた元号の一覧（＝これをお手本として学習）
  • 教育用漢字一覧（小学校で覚える漢字一覧＝1006字）（＝候補一覧）
    • 読みやすい＝小学校レベルの漢字、と仮定。
    • （※常用漢字の場合は1945字。データを入れ替えればこちらでも可）
  • 別な意味の除外リストの作成のための情報
    • Mecabの辞書（これは前回も利用していた）
    • 過去の天皇名の一覧（New）
    • Wikipediaのタイトル項目の一覧（New）
  • 漢字読み方ＡＰＩ（New）
    • IPA（情報処理推進機構）による漢字の詳細情報
    • https://mojikiban.ipa.go.jp/search/help/api
    • 読み方チェック＆画数チェックに利用
  • ★四書五経、古事記、などの中国＆日本の古典データ★
    • フジテレビ殿に入手していただいたデータ、詳細はヒミツ（New）
    • 漢籍だけでなく、日本古典の可能性もありえるらしい
    • 一部学者先生によるオススメ古典も入れるかもしれない
• 製作者が調整出来ることは「数値の設定だけ」で、主観で判断はいけない、とします。
  • ★ここは前回と同様。正直一番厳しい制約。
  • 例えば、「苦」の字は意味が悪いから使われないよね、といって除外するのは禁止
  • 何かの基準で、上位N個に絞るとか、何かの得点値が10以上、などと数値を切るのはOK
  • つまり、候補の約1000字に対して、「全ての文字を平等に扱う」ことになる。
    • ※固定ルールを予め実装するのはアリとする。「平」が再度になることは無い、漢数字は誤解が生じるため使わない、など
    • 数値やテキストの変更だけに依存し、誰がやっても同じ結果が出ること、と言い換えても良い。
• おおまかな内容
  • 大量の日本語コーパス（wikipedia）or 漢籍＆古典の学習結果をもとに、
  • お手本データ＝過去元号、と似たような文字 ＝ 「良い文字」を見つける
  • 画数なども踏まえて、元号で採用されるであろう漢字の候補を絞る
  • 漢籍＆古典の出典がある組み合わせを探索する
  • MTSHチェック（明治大正昭和平成とイニシャルが重複しない）や、
  • その他の意味を持つかどうか、などの複合的な要因で、フィルタリング
  • 出てきた文字の組み合わせの「バランス」と「良字具合」を、AIに評価させる
  • 出典ごとに、評価値が高かったものを提示する
• コードの実行環境は全て、Windows10 + Python3 +JupyterNotebook を前提。

元号予想の挑戦方法の方針

最初に、大きな進め方として２案ある。

前回は、「良い意味の文字」を見つけるために、
日本語コーパスに対する機械学習を行い、
char2vecの技術を用いて、
漢字同士の意味をベクトル化した。

それを踏まえて、以下の２方針をそれぞれ検討＆実行した

方針案①　学習のINPUTに漢籍古典を使おう案
このchar2vecの機械学習の元データとして、漢籍や古典を使う
（最初から漢籍・古典をベースとする）という案

方針案②　出典を見つけにいこう案
現代日本人にとっての漢字の意味付けはWikipediaテキストデータで
既に出来ていると考えて、前回できなかった「出典」を探しに行く
（漢籍や古典を検索対象として使う）という案

方針案①　学習のINPUTに漢籍古典を使おう案

まず、「漢籍」＝四書五経など、
と日本の古典は、それぞれ分けて考える。
そもそも言語が違う点と、「漢籍」のデータは
中国語の漢字で作られており、日本語の漢字とコードが一致しないため。

最終的には、両方とも試した。

まず、対象とするutf-8形式のテキストデータを
同じフォルダに集め、それらを結合したり、
余計な文字を排除したりしたデータを作って、
学習のINPUTファイルとする。

%%time
import codecs
import glob
import re
def open_ch_file(filepath):
    input_text = ""
    with codecs.open(filepath,"r", "utf-8") as f:
        input_text += f.read()
        #改行を小さな空白に変換
        input_text = input_text.replace('\r','')
        input_text = input_text.replace('\n',' ')
        # 数値を除去
        input_text = re.sub(r'[0-9]+', "", input_text)
    return input_text

folder_file_path = "XXXXX/XXXXX/*.txt"
file_list = glob.glob(folder_file_path)
input_text = ""
for filepath in file_list:
    input_text += open_ch_file(filepath)

#1文字ずつに区切る
chars = [c for c in input_text if c != u' ']

with codecs.open('KANSEKI.txt',"w", "utf-8") as f:
    f.write(u' '.join(chars))

集めたファイルに対して、word2vecの学習を実施する。
この部分のコードは、パラメータの違い以外は前回と同様。

%%time
import logging
from gensim.models import word2vec

logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)

sentences = word2vec.Text8Corpus('KANSEKI.txt')
model = word2vec.Word2Vec(sentences, size=40, window=12, min_count=3, hs=0, negative=5, iter=30)

model.save("mychar2vec_XXXXXX_model")

前回との大きな違いは、使用するパラメータ。
ひらがななどのデータが混ざっていないため、
windowサイズは小さめに設定してもいいかもしれない。
データの総量が少ないため、
次元数（size）やmin_countは小さめに。
繰り返し実行回数（iter）は大きめに設定するなど変更して、
何度か試している。
Wikipediaほどのボリュームがないため、
何度か試してもすぐに終わる点は楽。

出来たモデルの性能を以下のように試してみる。

out = model.most_similar(positive = [u'書'], topn=10)
print(out)
out = model.most_similar(positive = [u'右'], topn=10)
print(out)
out = model.most_similar(positive = [u'天'], topn=10)
print(out)

[('記', 0.6210867762565613), ('諱', 0.5740101337432861), ('讀', 0.5511521697044373), ('古', 0.510854184627533), ('著', 0.5030744075775146), ('臧', 0.47281569242477417), ('蘇', 0.4715611934661865), ('告', 0.46267572045326233), ('論', 0.45687738060951233), ('噩', 0.4497215151786804)]
[('左', 0.6416146159172058), ('纛', 0.6342562437057495), ('殳', 0.6199294924736023), ('拒', 0.5840848684310913), ('夾', 0.5733482241630554), ('旆', 0.5700335502624512), ('綦', 0.5488435626029968), ('衽', 0.5380955934524536), ('把', 0.5014756917953491), ('肩', 0.47802940011024475)]
[('陛', 0.8151514530181885), ('祇', 0.5380247235298157), ('垓', 0.5238890647888184), ('上', 0.4873164892196655), ('歿', 0.4687088131904602), ('宜', 0.4571455717086792), ('祗', 0.447026789188385), ('佑', 0.43108344078063965), ('綱', 0.4226115643978119), ('足', 0.4220472574234009)]

「書」に対して「記」
「右」に対して「左」
が出てくるため、多少上手くいっているところはあるが、
２位以降が良く分からない。
wikipediaで作ったものとは全くレベルが違う。

試しに２００種類にクラスタリングした結果を見ると、
「東西南北」が同じクラスタに入っていたり、
「父母兄弟」が同じクラスタに入っていたりと、
良い部分もいくつか見られたものの、
予想で使えるレベルにはなっていなかった。

「出典になりそうな良い古典」だけをINPUTにした場合、
やはり、単純にデータボリュームが小さいために、
様々な漢字を網羅した学習モデルを作るのには無理があった。
上記の例は、漢籍の出力例だ。日本の古典でも同様かそれ以下であった。

方針案①の結論：
「学習用データ」として「古典」を扱うことはそのデータ量的に難しい、と判明した。

方針案②　出典を見つけにいこう案

案②は、結論から言えばある程度上手くいった。
前回と同様の方法で、採用されるであろう漢字候補を出し、
その漢字が古典上で使われている位置を検索、
「出典」と言えるほど近しい場所で使われているペアを見つけて
抽出するという考え方。

また、「漢字候補を出す場所」
「出てきた元号をチェック（評価）する場所」、
それぞれで、前回に比べて様々なパワーアップを実装している。

以降、追加した点や、ポイントを、実装含めてご紹介する。

漢字候補の抽出

いきなり、この物語の最大の核心的な関数を提示する。

元号に使われている漢字＝「良い意味」を持つ、と仮定して、
常用漢字リストor教育漢字リストの中から、
その「良い意味」に近い文字を見つけたいという趣旨。

例えば、元号で３回以上使われている、以下の文字列を「お手本」と考える。

• 永元天治応和長正文安延暦徳寛保承仁嘉康建慶久平弘貞享宝禄明大亀寿万化養観喜中政

お手本との距離（コサイン類似度）を計算する関数と、
全漢字に対して、その距離を求めて、近い字の上位を返す関数を、
それぞれ以下のように実装した。

#与えられた漢字と「お手本」との距離感を算出する。
#与えられた漢字と近い上位２０％のお手本時の距離の平均。
def get_otehon_ave_ruijido(char, otehon_str):
    jyoui_kosuu = round(len(otehon_str)/5)
    distance = 0
    cnt = 0
    distance_list = []
    for stridx in range(0, len(otehon_str)):
        distance = JPmodel.similarity(char, otehon_str[stridx])
        distance_list.append(distance)

    distance_list.sort(reverse=True)
    distance_list=distance_list[0:jyoui_kosuu]
    ave = sum(distance_list)/len(distance_list)
    return ave

#お手本を入力すると、それと似た漢字の一覧を返す関数
#（どれくらい似ている文字を返すのか指定する）
def get_Gengou_Kouho_Kanji(otehon_str, target_str, min_ruijido):
    char_val_list=[]
    for char in target_str:
        if char in NG_STR:
            continue
        #元の文字と、お手本として指定したリストとの平均値をリスト化
        char_val_list.append([char, get_otehon_ave_ruijido(char, otehon_str)] )
    #ソート
    char_val_list = sorted(char_val_list, key=lambda x:x[1], reverse=True)
    gengou_kouho_kanji_str = ""
    for char_val in char_val_list:
        if char_val[1] >= min_ruijido:
            gengou_kouho_kanji_str += char_val[0]
    return gengou_kouho_kanji_str

前回は、それぞれの「お手本」に似ている文字を選んでから
各文字を「評価」するという段取りにしていた。
今回は、「評価関数」を先に作っておき、
常用漢字リストや教育漢字リストなど、
任意の対象に対して、その全漢字を「評価」出来る仕組みとした。

結果、「教育漢字」を対象にすると、ポイントの高い順に、
以下の結果が得られた。
ここでは、TOP50位までを表示している。

• 永徳忠仁孝久清元康天安正喜幸松竹坂田氏宝明晴臣宮守豊城宗孫延老蔵郷皇養誠倉家里戸納長志尊太恩文寺賀敬

上記の結果出来た候補漢字を、
過去の元号の採用回数とともに出力してみよう！

for char in GENGOU_KOUHO_KANJI_STR:
    if char in OTEHON_STR:
        print(char ,"：は",otehon_val_dict[char] ,"回過去使用（お手本リストに含む）")
    elif char in ALL_OTEHON:
        print(char ,"：は",otehon_val_dict[char] ,"回過去使用（お手本リストに含まれない＝AIが発見）")
    else:
        print(char , ": はどちらにも含まれていない、AIが見つけた新字です★")

永 ：は 29 回過去使用（お手本リストに含む）
徳 ：は 16 回過去使用（お手本リストに含む）
忠 : はどちらにも含まれていない、AIが見つけた新字です★
仁 ：は 13 回過去使用（お手本リストに含む）
孝 : はどちらにも含まれていない、AIが見つけた新字です★
久 ：は 9 回過去使用（お手本リストに含む）
清 : はどちらにも含まれていない、AIが見つけた新字です★
元 ：は 28 回過去使用（お手本リストに含む）
康 ：は 10 回過去使用（お手本リストに含む）
天 ：は 23 回過去使用（お手本リストに含む）
安 ：は 17 回過去使用（お手本リストに含む）
正 ：は 19 回過去使用（お手本リストに含む）
喜 ：は 3 回過去使用（お手本リストに含む）
幸 : はどちらにも含まれていない、AIが見つけた新字です★
松 : はどちらにも含まれていない、AIが見つけた新字です★
竹 : はどちらにも含まれていない、AIが見つけた新字です★
坂 : はどちらにも含まれていない、AIが見つけた新字です★
田 : はどちらにも含まれていない、AIが見つけた新字です★
氏 : はどちらにも含まれていない、AIが見つけた新字です★
宝 ：は 7 回過去使用（お手本リストに含む）
明 ：は 7 回過去使用（お手本リストに含む）
晴 : はどちらにも含まれていない、AIが見つけた新字です★
臣 : はどちらにも含まれていない、AIが見つけた新字です★
宮 : はどちらにも含まれていない、AIが見つけた新字です★
守 : はどちらにも含まれていない、AIが見つけた新字です★
豊 : はどちらにも含まれていない、AIが見つけた新字です★
城 : はどちらにも含まれていない、AIが見つけた新字です★
宗 : はどちらにも含まれていない、AIが見つけた新字です★
孫 : はどちらにも含まれていない、AIが見つけた新字です★
延 ：は 16 回過去使用（お手本リストに含む）
老 ：は 1 回過去使用（お手本リストに含まれない＝AIが発見）
蔵 : はどちらにも含まれていない、AIが見つけた新字です★
郷 : はどちらにも含まれていない、AIが見つけた新字です★
皇 : はどちらにも含まれていない、AIが見つけた新字です★
養 ：は 3 回過去使用（お手本リストに含む）
誠 : はどちらにも含まれていない、AIが見つけた新字です★
倉 : はどちらにも含まれていない、AIが見つけた新字です★
家 : はどちらにも含まれていない、AIが見つけた新字です★
里 : はどちらにも含まれていない、AIが見つけた新字です★
戸 : はどちらにも含まれていない、AIが見つけた新字です★
納 : はどちらにも含まれていない、AIが見つけた新字です★
長 ：は 19 回過去使用（お手本リストに含む）
志 : はどちらにも含まれていない、AIが見つけた新字です★
尊 : はどちらにも含まれていない、AIが見つけた新字です★
太 : はどちらにも含まれていない、AIが見つけた新字です★
恩 : はどちらにも含まれていない、AIが見つけた新字です★
文 ：は 19 回過去使用（お手本リストに含む）
寺 : はどちらにも含まれていない、AIが見つけた新字です★
賀 : はどちらにも含まれていない、AIが見つけた新字です★
敬 : はどちらにも含まれていない、AIが見つけた新字です★

前回の候補文字に近い。
上位５０位 ＝ 全体（教育用漢字約1000個）の５％の、
「過去元号（＝お手本）と意味が似ている」とAIが捉えられた結果がコレ。

前回優勝者の「孝」をはじめとし、
「幸」「晴」「豊」「賀」なんてのも、
実はいままで元号に使われていなかった、のは少し驚き。
っぽい文字（？）が出ている気はする。

なお、INPUTを「常用漢字」に拡大する場合、TOP50には
「隆」「賢」「澄」「江」「雅」などが、新字として入ってきていた。

人間の感覚としては、ちょっと元号としてはどうかなー、
という字もあるのだが、AIの計算結果では、
これらの字が元号の文字に近いとみなされたのね、
というように見ると、それはそれで面白い。
何となく、「宮」「城」「郷」「家」「里」「寺」など、
場所系の言葉が近しいと思われたのだろうか。
「天」もある意味では良い場所を示しているし、
「建」などの字もお手本にあるから？

フィルタリング①画数

出てきた文字に対して、「書きやすい」の条件を満たすために、
画数でフィルタリングをかけることにする。

IPAが試験提供している以下のAPIを用いて、
予め常用漢字に対して、全部の画数を取得しておいた。

MJ文字情報取得API
https://mojikiban.ipa.go.jp/search/help/api

import time
import pickle
target_list_dict = {}
for char in target_list:
    #スリープは必須
    time.sleep(3)
    api_result = get_char_data(char)
    if api_result['status'] == "success":
        print(api_result['results'][0]['読み'])
        target_list_dict[char] = get_char_data(char)
    else:
        print("API-ERR")
        #print(api_result)

print("API-Finish")
with open('jyouyou_kanji.dic', mode='wb') as f:
    pickle.dump(target_list_dict, f)

print("pickle-Finish")

何度も同じ漢字についてAPIを投げるのは、
API提供者の情報処理推進機構殿に申し訳ないので、
今回使う分はあらかじめ上記のように一回だけ取得して、
pickleで保存しておくことによって、
あとはローカルで使えるようにしておいた。

import pickle
import pprint
with open('jyouyou_kanji.dic', mode='rb') as f:
    KANJI_INFO_DIC = pickle.load(f)
pprint.pprint(KANJI_INFO_DIC["和"])
print(KANJI_INFO_DIC["皇"]['results'][0]['総画数'])

{'count': 1,
 'find': True,
 'results': [{'IPAmj明朝フォント実装': {'フォントバージョン': '005.01', '実装したUCS': 'U+548C'},
              'JISX0213': {'包摂区分': '0', '水準': '1', '面区点位置': '1-47-34'},
              'MJ文字図形': {'MJ文字図形バージョン': '1.0',
                         'uri': 'http://mojikiban.ipa.go.jp/MJ008199.png'},
              'MJ文字図形名': 'MJ008199',
              'UCS': {'対応するUCS': 'U+548C', '対応カテゴリー': 'A'},
              '住基ネット統一文字コード': 'J+548C',
              '入管外字コード': '',
              '入管正字コード': '548C',
              '大字源': 1162,
              '大漢和': '3490',
              '大漢語林': 1374,
              '戸籍統一文字番号': '040260',
              '新大字典': 1886,
              '日本語漢字辞典': 1397,
              '漢字施策': {'人名用漢字': True, '常用漢字': True},
              '登記統一文字番号': '00040260',
              '総画数': 8,
              '読み': {'訓読み': ['やわらぐ', 'やわらげる', 'なごむ', 'なごやか', 'あえる'],
                     '音読み': ['ワ', 'オ', 'カ']},
              '部首内画数': [{'内画数': 5, '部首': 30}]}],
 'status': 'success'}
9

このように、特定の漢字に関する詳細データ、画数などが
いつでも取得できるようになった。
元号予想だけでなく、かなり便利なデータを作れた！！

この関数を使って、さきほどの要領で出した候補文字に対して、
一定の画数以下である、というフィルターをかける。

では、その「一定の画数」とはいくつなのか？
過去元号の画数を調べる。
（※画数取得関数は上の例ですぐ作れるのでコードは省略）

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt

gengoulist = ["大化","白雉",,,"省略",,,"昭和","平成"]

kakusuulist=[]
for idx in range(0, len(gengoulist)):
    kakusuu = get_Gengou_kakusuu(gengoulist[idx][0])
    kakusuulist.append(kakusuu)
    kakusuu = get_Gengou_kakusuu(gengoulist[idx][1])
    kakusuulist.append(kakusuu)

# 折れ線グラフを出力
left = np.array(range(0, len(kakusuulist)))
height = np.array(kakusuulist)

plt.plot(left, height)

from statistics import mean, median,variance,stdev

m = mean(kakusuulist)
median = median(kakusuulist)
variance = variance(kakusuulist)
stdev = stdev(kakusuulist)
print('平均: {0:.2f}'.format(m))
print('中央値: {0:.2f}'.format(median))
print('分散: {0:.2f}'.format(variance))
print('標準偏差: {0:.2f}'.format(stdev))

平均: 7.83
中央値: 8.00
分散: 12.90
標準偏差: 3.59

ということで、
平均はおよそ８画と判明した。
右側（近代側）にいくにつれて、画数が減っているかなー、
ということを少し期待してグラフ化してみたが、
あまり変わっていないように見える。
画数などを本格的に気にしていたのは
恐らく本当に最近だけなのでしょうね。

この結果を元に数字を決めて、画数でのフィルタリング処理を実装した。
（結果はあえて省略）

なお、ついでに、「音読み」での読み方を元に、
MTSH除外（明治大正昭和平成と同じアルファベットにならないように）
という簡易的なチェックも実装できた。

フィルタリング②他で使われている言葉を除外

漢籍や古典とのマッチング結果後で良いのだが、
他で使われている言葉は使えないので除外する必要がある。

実際に試行錯誤を進めていくなかで、
「延安」という組み合わせが上位候補として出現した。
しかし、「延安」は中国の都市名として存在している。
「延安市」という項目がwikipediaに存在する。

前回は、mecabの辞書による除外のみを実装していたが、
mecabの辞書はそこまで万能には使えない。
（いろいろ使いにくい点がある）

そこで、wikipediaの全タイトル項目を取得し、
その最初の２文字＆最後の２文字、については、
既に別な何かが存在するor誤解が生じやすいのでNG、
というフィルタリングを考えた。

上記で言えば「延安」はコレでフィルタ出来るし、
有名人の苗字や、有名人の名前、の大部分もフィルタ出来る。
例：田村正和⇒「田村」と「正和」が除外リストに登録される。

import codecs
#wiki_title/jawiki-latest-all-titles-in-ns0
def makeWikiTitleList(filepath):
    WIKI_TITLE_LIST_MAE = []
    WIKI_TITLE_LIST_ATO = []
    infile = codecs.open(filepath,"r", "utf-8")
    for line in infile:
        if len(line) > 1:
            #m前の二文字
            WIKI_TITLE_LIST_MAE.append(line[0:2])
            #m最後の二文字
            WIKI_TITLE_LIST_ATO.append(line[-2:])

    infile.close()
    #重複削除
    WIKI_TITLE_LIST_MAE = list(set(WIKI_TITLE_LIST_MAE))
    WIKI_TITLE_LIST_ATO = list(set(WIKI_TITLE_LIST_ATO))

    return WIKI_TITLE_LIST_MAE, WIKI_TITLE_LIST_ATO

「２文字」ちょうどのタイトルだけ除外するわけではなく、
前後２文字除外、というルールであるため、
実はこれは結構強力なフィルターで、人名地名をはじめ、
誤解が生じやすい系、他の意味に捉えられそう系、をかなりはじく。

漢籍や古典とのマッチング

他にも、過去天皇名などのフィルタや、
評価準備を進めたが、既に超長いので、
細かいものは省略して、いよいよ漢籍や古典とのマッチングに入る。

「与えられた一定距離内に、候補とする漢字がある状態」
を、入力文章内から全探索するコードである。

ちょっと汚いコードになってしまった。
出典がどこか分かるように、近隣部分を合わせて表示したり、
お手本（元号の漢字）と該当の候補漢字との類似度を表示したり、
などのインフォメーション系を追加しているのでごちゃごちゃしている。
（実際はさらにもうちょっと情報を追加）

#テキストリストを入れると、近接して候補文字を使用しているところと、その場所を返す関数
def get_Gengou_Kouho_kinsetu(OTEHON_STR, GENGOU_KOUHO_KANJI_STR, target_str, max_kyori):
    kouho_resultlist =[]
    kaisi_no = 0
    target_str_len = len(target_str)
    while kaisi_no < target_str_len :
        kaisi_char = target_str[kaisi_no]
        if kaisi_char in GENGOU_KOUHO_KANJI_STR:
            kaisi_to_end = 1
            #全体が入っている＆上限文字数を超えない、という両条件
            while kaisi_no + kaisi_to_end < target_str_len and kaisi_to_end <= max_kyori:
                end_no = kaisi_no + kaisi_to_end
                end_char = target_str[end_no]
                if end_char in GENGOU_KOUHO_KANJI_STR:
                    #両方とも、候補となる文字列に入っている状態
                    distance = JPmodel.similarity(kaisi_char, end_char)
                    inyou_kaisi_no = kaisi_no-5
                    if inyou_kaisi_no < 0:
                        inyou_kaisi_no = 0
                    inyou_end_no = end_no+1+5
                    if inyou_end_no > target_str_len-1:
                        inyou_end_no = target_str_len-1

                    kouho_resultlist.append([kaisi_char+end_char,
                                            kaisi_to_end,
                                            target_str[inyou_kaisi_no : inyou_end_no],
                                            get_otehon_ave_ruijido(kaisi_char, OTEHON_STR),
                                            get_otehon_ave_ruijido(end_char, OTEHON_STR),
                                            distance
                                            ])
                #検索対象をずらす
                kaisi_to_end  += 1
        else:
            pass
        kaisi_no +=1
    return kouho_resultlist

この関数を用いて、フジテレビ殿に用意していただいた
各種漢籍や、古典に対して、検索をしていくと、
「AIの見つけた良い漢字の２文字の組み合わせ」で、
「漢籍、古典内に出典と言える場所がありそうなペア」
が見つかるというわけだ。

実際に、候補をいくつか見つけることができた。

ここで、ちょっと面白い点は、日本の古典を対象にした場合、
もともと、「XX天皇」という表記が含まれることが多すぎて、
過去の天皇名や、その一部の文字を使った結果ばかりが
出てきてしまうという傾向があった。
そうした名称の一部を使うことは、「出典」ではないため、
日本の古典を扱う場合には、「XX天皇」及び「XX」の部分は、
予め全て消去したテキストデータを用いたことを報告しておく。

最後に、そうして見つけた候補に対して
「元号としてどの程度相応しいのか数値評価」を行う。

ベースは、各文字がどこまで「お手本」に近いか、と
前回同様の、漢字２文字間の距離、の判定だ。
さきほどのwikiタイトルフィルタなどを入れておき、
引っ掛かったものは０点＝除外するというチェックや、
MTSH除外などのチェックも実施する。
（前回は、評価以前に絞り込みでかなり候補が減ってしまったから、
　消去法的なところもあったため、今回は、
　候補を多めにとって、フィルター条件はきつくしながらも、
　最後は相応しい度合の数値、の上位を出したい）

この後の結果も書きたいところではあるが、
まだ最終段階は確認中であることと、
そもそも、結果まで書いてしまうと
官邸側に回避されてしまうこともあり得て、
ガチ当てにならないので、
一旦、残念ながらここまでの記載とする。

続く
～ to be continued　～

あとがき、所感

★この記事への反応（いいね）が多ければ、後日必ず続きを書きます。
※元号当ては、前回も今回も長かったように、書くのが大変なんですよね。
　もし、続きが知りたい人が多ければ、頑張って書きます。
　少なければ、あとはテレビ見てください、だけでいいかな。
　気になった方は忘れないうちに「いいね」しておいてくださいませ。

■所感：
今回は単純なchar2vecによるAI学習だけでなく、
「計算だけ」での的中確率を高められるように
既存用語との重複チェックや、画数判定、
そして特に出典箇所の検索など、
実際の元号判定で行われていそうな内容を
できるだけ全てプログラムで完結するように、実装していった。
かなり泥臭い部分を作りこんだ、とも言える。

ここまで作ってくると、もはやAIによる予想というより、
本当に元号を選んでいる側の人たちに、
これらのプログラムを差し上げて、
「候補の発見」や「チェック」を楽にするような仕組みとして
使っていただくほうが良いような気もしてきた。
選定作業の効率がアップすることは間違いない気がする。
今からでもホンモノの人から申し入れがあればいつでも差し上げる。

あとは、発音的なチェックが、基準が難しく出来ていないというくらいだ。
（言いやすい＝どういう基準で？、とか、
　音だけで別な意味に聞こえる＝どこまでマイナー単語を含めるべき？、とか）

今回、出典に検索をかけたとしても、
自分自身で気に入った文字や、予想や、組み合わせの好みを、
直接は使えないことは、かなり難しく感じた。
あくまで「数値」や「プログラム上の調整」だけで、
全てを決めていくことはかなり難しい。
（パラメータのチューニングは行っているわけで、完全に私見がゼロかと言われると、
　多少は入ってしまうのかもしれないが、極力自身の感性や勝手な予想は除外、の意味）

世の中に多く出回っている「元号予想」は、
その人自身の考えた理想、日本への期待、祈り、カン、が込められたものだ。
そのため、横から見ると実際は結論ありきであり、
「予想プロセスは不透明」だが「予想者自身にとっては正しい予想」となる。
一方、今回のAIでの予想は、
「予想のプロセスは透明」だが「予想者自身にとっては正しくない予想」で真逆だ。

とはいえ、一度演算してみると、
前回の結果「孝天」といい、
今回の結果「（ヒミツ）」といい、
しばらく眺めていると愛着が湧いてくるのが不思議である。
これが良い漢字の持つエネルギーなのだろうか？

恐らく、4月1日の発表に対しても、多くの人が、
最初は疑問や違和感を持ちつつも、
しばらく眺めているうちに愛着が湧いてくるのだろうな、
と思し、そうなって欲しい。
みなが愛着を持つ良い時代になって欲しい。

以上。
次回へ続く（？）　かどうかは反応次第

前書き

平成の次の元号をAIで決める物語＆そのテレビ取材編の続き。

前回までで、プログラムは完成していたのだが、
大きな「マッタ」がかかってしまった。
出した予想が当たらないことが分かってしまったのだ。

そこで、全結論が変わるほどの変更を行うことになった。
さらなる「ガチ当て」をするようにブラッシュアップした。
変更が生じたため再度、本番4/1のテレビ放送前に、その詳細、
VTRの尺に収まらなそうな部分を先行公開することにする。

前回、多くの方にご声援を頂いた。
楽しみと言ってくださる方のためにも、続編をちゃんと書く。
応援ありがとうございます！！

初回の記事と、前回の記事については、以下をご参照。

初回の記事⇒
平成の次の元号を、AIだけで決めさせる物語

前回の記事⇒
【続】平成の次の元号を、AIだけで決めさせる物語（＠テレビ取材）

前回までの話を３行で言うと、
AIで元号予想したらテレビ取材を受けることになったよ、
出典も含めてガチで当てがんばるよ、発表直前に放送予定。
VTRに入らない深い内容はQiitaで公開するよ、だ。

予想が当たらない事件の経緯

当初予想

前回の記事を書いた時点で、
以下のような全ルールを満たす元号を
「プログラム」によって算出していた。

• 教育漢字２文字（または１つが常用漢字）
• AIにとって、過去元号の文字に近い＝「いい意味の漢字」である
• AIにとって、組み合わせが過去元号の「文字の距離感」に近い
• 中国または日本の古典に"出典"がある（少なくとも、近距離で出現）
• Mecabの辞書に存在していない
• 過去の元号、過去の天皇名と重複しない
• MTSH以外（明治大正昭和平成とイニシャルが重複しない）
• 漢字の画数が一定値以下（過去元号の平均画数等も参考）
• WIKIのタイトルの冒頭２文字と不一致 ≒ 苗字/地名などで俗用されていない
• 【制約事項】作者の漢字に対する好みを入れてはいけない。数値計算のみで算出

なお、上記ルールにはそれぞれ、一発アウトな除外必須ルールと、
ポイントの加算減算が行われるルールがあり、
最終的には、全ての条件を満たしてポイントの高いものが選定される。

ここまででも結構大変なんです。機械が漢字で新語を作るのだから。

そして、実は前回書かなかった結論として、
「仁久」
「隆永」（常用漢字も含む場合）
などを算出していた。

「出典」の文章の長さと候補漢字の個数にもよるが、
長い文章だと、4000個ほど、近距離にある候補漢字のペアを見つけて、
300個ほど（重複もある）、一発除外を潜り抜けたペアを返して、
評価値の高い5個を残すような感じ。

複数の出典に対して上記選定を実施し、
さらにその中で評価値の高い候補がコレ。
かなりの倍率を潜り抜けてきただけあって、
結構それっぽいのではないか？
フィルタリングの条件も十分に設定している。

なお、「仁久」は
「万葉集」「礼記」にそれぞれ出典らしき箇所が見つかったのだが、
「万葉集」はそもそも、漢字は「当て字」的に用いられているため、
万葉集を用いて良いかどうかは議論を要する。

あとは、どの古典から第何位までの元号を放送するか、とか、
教育漢字、常用漢字の扱いをどうするか、とか、
「見せ方」をプロデューサ様に決めてもらうだけの状態。
私も、プログラムの大部分をqiitaで公開し、
放送を待つだけっ・・・！！
と、思っていた・・・・・。

当たらない事件発生

プロデューサ様「大変ですっ！このままでは予想は当たりません！」

「仁久」＝高島屋の従業員がトイレに行く際の隠語、
　　　　　仁久歯科、という歯医者が存在する（知らんがな）
「隆永」＝西郷隆盛の、改名する前の名前（めっちゃ知らんがな）

プロデューサ様「ガチ当てなのでそうした語彙も機械的に除外出来ません？」

（*´Д｀）「辞書には無い言葉ですし、フツウに考えて難しくないですか・・・？」

「出資者は無理難題をおっしゃる」by クワトロ・バジーナ

（ ´Д｀）「AIだけでそれっぽいものを出すだけでも大変なのに・・・」
（ ´Д｀）「うちのAIちゃんは、高島屋の従業員じゃないし・・・」
（ ´Д｀）「うちのAIちゃんは、うんちしないし・・・」

決意

とはいえ、私も思うところはあった。
結論が出たあとで、Google先生に聞いて、
仁久＝トイレに行く際の隠語、らしいので微妙だなー、
とは思っていた。
思いながらも、最初に掲げた条件には引っ掛からなかったから
しょーがないのでは？と妥協していたのだ。

まだちょっと私の中で、「ガチ当て」への温度感よりも、
「AIがそれっぽいものを出したこと」への
満足度の方が高かったのかもしれない。

しかし、ここで妥協してしまっては、当てることは出来ないっ！

実際の「平成」の時も、"大先生"が元号候補を出すたびに、
担当官から、「すいません、それは俗用されており・・・」的な
やりとりが何度も生じて、相手が"大先生"だけに大変だった、
的な逸話をどこかで読んだ覚えがある。
私は"大先生"ではないが、プロデューサ様も、担当官も、大変だ。

もちろん、出した結果を人の目で精査した後で結論とする、
というのは簡単だが、あくまでもプログラムだけで出したい。

「人事を尽くして天命を待つ」
AI（ノートパソコン）も唸りを上げて頑張ってくれましたし、
私も、人事を尽くせるところまではやってみましょう！

人類の可能性に限界が無いならば、
プログラムが出来ることにも限界はない
　　　　　　　～ 　Char Fuitter (1847～1912 オランダ)　～

新・俗用フィルタの実装方針

元号ほど高尚なものを決めるとなると、
「辞書に載っている」「WIKIに存在」というレベルだけでは、
高島屋のトイレの隠語や西郷隆盛の旧名までは対応できず、
「俗用されているか」の判断として不十分であった。

もはや何と戦っているのか分からない。

では、我々はどのようにして「俗用」を判断するのだろうか？
我々の「感覚」的には（高島屋従業員様を除いて）
「仁久」「隆永」はアリ、である。

今回の判断理由は「Google先生に聞いた結果」だ。

では、GoogleのHIT件数を調べて、HITが少なかったら？
Google先生はいろいろ気を利かせてくれるので、
特に２文字レベルでは、単純なHIT件数はアテにならない。

一方、「仁久」を検索すると、
「コトバンク」が一位にヒットして、
高島屋系列のトイレの隠語であることを教えてくれる。

俗用フィルタの方針①「タイトルチェック」

そこで、
検索結果上位２０件のページのタイトルを一覧化して、
そのタイトルそれぞれに対して、俗用有無の評価をする
という方針を考えた。
つまり、「コトバンク」が出てきたらアウト！
他に、「ホットペッパー」とか、「会社」とかが出てきたら、
既に店名や企業名で存在して俗用度が高いことになる。
「Navi」が出てきた場合、だいたい地名として用いられている。
「一般人の人名」＝Facebookなど、は少し迷うところだが、
評価を下げるだけということにしておく。

＃人名らしきもの全て無しにしたら消えすぎかも。
　「平成」も「へなり」という地名はあったし
　多少の重複は現代においては許容範囲か？

俗用フィルタの方針②「画像検索」

何度かGoogle検索をかけて気付いたことがある。
俗用されていないような言葉の場合、

「XX」の画像検索結果、が比較的上位に出現する。

Google先生から見れば、オマエの調べているものって、
「言葉」として存在しないから「画像」じゃね？
って言ってくるわけだ。

そこで「画像検索結果」が上位に来るものは、
俗用度が低い、ということにした。

画像検索の順位というのは新たな気付きだった。

俗用フィルタの方針③「ポイント制」

そもそも、「隆永」はアウトなのだろうか？
西郷隆盛の改名前の名前だから何だというのだ？
どういう基準で官邸がNGにするのかが明確に言えないため、
「何かで一発アウト」にするような形ではなく、
コトバンクは俗用度ポイントが高い、
「画像検索」が上位に来るとポイントが低い、
などといった、「ポイント制」を採用することにする。

Google俗用フィルタの実装

検索結果の取得

まず、Google検索結果をリスト化する必要がある。
先人の偉大な知恵を拝借して、
Daiさんのget_search_results_df関数をお借りする。
ご参考： https://note.mu/daikawai/n/n7cb363531396

from bs4 import BeautifulSoup
import requests
import pandas as pd

def get_search_results_df(keyword):
    columns = ['rank','title','url', 'affiliate_url']
    df = pd.DataFrame(columns=columns)
    html_doc = requests.get('https://www.google.co.jp/search?num=20&q=' +keyword).text
    soup = BeautifulSoup(html_doc, 'html.parser') # BeautifulSoupの初期化
    tags = soup.find_all('h3',{'class':'r'})
    rank = 1
    for tag in tags:
        title = tag.text
        url = query_string_remove(tag.select("a")[0].get("href").replace("/url?q=",""))
        affiliate_url = ""
        se = pd.Series([rank, title, url, affiliate_url], columns)
        df = df.append(se, ignore_index=True)
        rank += 1
    return df

def query_string_remove(url):
    return url[:url.find('&')]

早速使ってみよう。

search_results_df = get_search_results_df("仁久")
search_results_df.head(20)

はっきり言って、「仁久」はボロボロだった。
「コトバンク」だけでなく、
「地名」の可能性すら含んでいて、
Wikiの有名人にも含まれていた。

※　実は、前回実装した「WIKIフィルタ」には一部誤りがあり、
WIKIタイトルの「最後の二文字」のフィルタが上手く動作しておらず、
前回時点では「冒頭二文字」分のフィルタしか動作していなかった。
そのため、実際は「仁久」はその誤りを訂正すれば除外できたが、
例として、そのまま採用。
そもそも、冒頭二文字は、地名や苗字などという目的があったが、
最後の二文字は、せいぜい名前なので、そこまで除外するのか？
という迷いも生じていた。今回から正式に採用を決定。

一方で、「俗用されていない」と見える候補では、
だいたいTOP１０以内で、
「XX」の画像検索結果
が出現する傾向にあった。

タイトルの評価関数の実装

このようにして取得した、検索結果の
各ページのタイトルを使って、
「俗用度合」を数値化してみる。
この関数の作り方（パラメータ）は諸説あり、
Facebookの人名や、店名などを、どこまで厳しく除外するべきか、は
大変難しいところだ。
複雑な分岐を入れて一週間くらい試行錯誤すれば"完璧な"フィルター
（つまり、人が検索結果を見て判断するのと同レベルのフィルター）
が出来るかもしれない。
しかし、そもそもどういう基準で俗用は却下されるのか、
イマイチ判断がつかないところもあり、
「除外しすぎ」だと何も残らないような状態になってしまう。
あくまでも簡易的な数値化である。

もしかしたら実際に選定している人は、
全戸籍データや、国内外の全会社名/商標データなどを
準備して臨んでいるのかもしれない。凄いなぁ。

def web_zokuyou_checker(gengou_str, title_list):
    counter = 1
    keyword = gengou_str + " の画像検索結果"
    keyword_eng = "Images for " + gengou_str
    add_val = 1
    for val in title_list:
        if keyword in val or keyword_eng in val:
            #以降の増加が大きく減少。画像検索が上位なほど有利
            add_val = 0.2
        #自分自身が含まれていて、「元号」の話題ではない場合
        #ランクが下がっていく
        if gengou_str in val:
            #元号の話題で触れられている場合は若干の加点
            if "元号" in val :
                counter -= 0.3
                continue
            if "コトバンク" in val :
                counter += 15
                continue
            if "はてなキーワード" in val :
                counter += 15
                continue
            #名前はまだありだが、苗字系はNG
            if "人名漢字辞典" in val or "日本姓氏" in val or "名字" in val or "苗字" in val:
                counter += 3.5
                continue
            if "Facebook" in val :
                counter += 1.5
                continue
            if "NAVITIME" in val or "会社" in val or "地図" in val or "いつもNAVI" in val :
                counter += 2
                continue
            if "老人ホーム" in val or "福祉" in val or "介護" in val :
                counter += 2                
                continue
            if "映画" in val :
                counter += 2                
                continue
            if "Retty" in val or "食べログ" in val or "ぐるなび" in val or "ホットペッパー" in val :
                counter += 2                
                continue
        else:
            #自分が入っていないといっても紛らわしいのでペナルティ
            counter += 0.3
            continue
        counter += add_val
    return counter

このような関数を用意することで、
（パラメータの数値や、IF文の条件は適宜変更）
例えば何かの名前に使われていそうな候補に、
「俗用度ポイント」を高く設定することができる。

人間が、Google検索結果を見て、
コレは俗用されてるんじゃね？となぜ思ったのか、
その理由を一つずつ組み込むだけだ。
ただし、組み込みすぎると、「本来はいいもの」も
落とすことになるため、注意を要する。

実際の選定者も、結局は似たことを
（人手で）やっているんだろうなー、
と、思いをはせながらプログラムを書いていく。

Google俗用フィルタの大問題＝リクエスト制限

あとは、出てきた結果とこの関数を組み合わせて
個々に評価していけば良いのだが、
大きな問題があった。

「Google検索」を連続して実施する場合、
１００回／日くらいの検索で、
一次的に制限がかけられてしまう模様。

Google俗用フィルタに渡す前の時点で、
十分に絞り込んだ精鋭を渡す必要がある。

＃この制限が、前述の、フィルタ条件の調整、を
　心行くまで調整/実装できなかった最大の理由である。

また、検索する度に、微妙に結果が変わる場合があるが、
それは今回は大きな問題ではない。

配られたカードで勝負するっきゃないのさ…　by スヌーピー

制限の範囲で出来ることをやりきるしかない。
ここまでのアイデアで
古典の検索結果（元号候補）を再評価してみよう！

再評価の結果

そして誰もいなくなった

再評価の結果をヒトコトで言うと、
候補が足りなくなったｗ

全部が消えたわけではないものの、
フィルタが強力であったため、
当初出そうとしていた候補の個数を割り込んでしまった。

AIが候補としていた漢字の個数を増やす、
なども考慮したが、もともと元号には７２種類ほどの漢字しか
過去に使われたことが無いため、
（教育漢字に限定するとさらにさらに少ない）
AIが見た「良い意味」であっても、
その近辺の数値より候補の個数を増やすと、
「ゴミ」が増えてくるような印象がある。

今回、フジテレビ殿に用意していただいた「出典」は
過去に出典として使われたことのある漢籍の一部でしかないため、
出典をもっと増やす、のが候補を増やす本筋ではあるが、
既に時間が足りていなかった。

対策＆さらなるガチ当て化 ＝ 落選元号

そこで、「既に出典がある」候補を増やすアイデアを思い付いた。

出典＝「落選元号」リストを使うという案だ。

実は、
「明治」は室町時代～江戸時代で計10回、
「大正」は鎌倉時代～江戸前期で計4回、
「平成」は幕末に1回、
候補にあがりながらも落選した末に、
やっと元号に選ばれているそうだ。

今回の選定においても、
過去の「落選元号」が再登場する可能性は十分に高い。

また、これらの「落選元号」は、
出典が既に用意されているもの、と考えられる。
（こちらから見れば、出典の検索対象として、
　「落選元号」を追加すれば、過去の人の
　検索結果を横取りできる、ようなもの）

これらの「落選元号」に対して、
用意したフィルターがどこまで効くのか？
も大変興味がある。

「落選元号」へのフィルタ＆評価結果

もちろん、ただのフィルタでは、
AIが出した感が薄れてしまうため、
過去の落選元号についても、
AIにとって「良い意味」「バランス」であるか
評価を実施し、その最高得点をマークしたものだけ、
最終候補として採用することにする。

落選元号を相手にしたとしても、
あくまで基準は、AIから見た得点であり、
元のやり方で出した候補よりも、より高いものだけを選定し、
落選候補だからといって他候補より優遇はしない。

結果は、大変興味深いものになった。

「落選元号」５３２個のうち、
元々のフィルター条件だけで、
なんと３２個まで候補が減ってしまった。

「常用」「画数」「MTSH」「WIKI」が
それぞれ入り混じっており、
どれかの条件だけで多数落とされているわけではなかった。

さらに、今回実装したGoogle俗用フィルタによって
（俗用度の点数が一定値以上は除外するという考え方で）
１７個まで候補が絞られた

つまり、それっぽい候補が出現したとしても、
今回設定した各種条件だけで、
５２３個 ⇒ １７個 の割合でフィルタされるということ。
かなりの厳選率である。

この１７個のうちで、AIの評価値が高い、
TOP４つが、新たな候補として加わることになった。

この４つの結果は当日の発表を見てのお楽しみ。
（ガチ当てなので、最終候補は公開できない）

もちろん、元々古典からの出典としていた候補についても、
同様のフィルタはかかっており、
こちらもより厳選された候補になっている。

ピッタリ当てるのは難易度が高すぎる上に、
放送時間的に見ると、予想発表後すぐに、
「残念違いました～」と分かる極悪な仕組みなので、
過度な期待はしないようにお願いします。

おまけ、こぼれ話

「最終候補」の１７個に残りつつ
AIから見た評価が最も低かった「落選元号」は、以下である。

「応宝」
「用保」
「文功」
「文始」
「協中」

これらは、「フィルタ」には引っ掛からず、
「俗用」されていないと判断されたものの、
AIから見たら、ちょっと他より元号っぽくないぞ、
とみなされた、ということ。

他に、AIにとっての「距離感」が合わな過ぎ、として
５２３個中３つだけ先に除外されていたものもあった。
（基本はマイナス点だが、ズレが大きすぎる場合一発除外）

「和平」
「永貞」
「能成」

こんなものが以前元号の候補に入っていたんだー、という話と、
これらに対し（他に比べて）低評価を下したAIの判断は、
みなさんにとっていかがであろうか？

あとがき（いよいよ結果を待つだけ）

実際に元号が発表されれば、
（そして外す可能性の方が高いのだから）
この物語はとんだ笑い話だ。
発表される前であっても、最初から笑い話だ

だいたい、書いた人の他の投稿を見ても、マトモな投稿が無い。

• k8s＝Kubernetesについて本気で調べてみた
• どこでもドアを作ってみた物語
• しりとり徹底分析！最強キャラ（文字）解説
• 「赤の他人」の対義語は「白い恋人」 これを自動生成したい物語

しかし、「元号」にAIとプログラムで挑んだ「遊び」は、
一つの挑戦の物語として、
誰かの心に残り続けてくれるかもしれない。

人類の進化は「遊び」からはじまる。
こんな「遊び」が出来るならば、というアイデアに触発される人がでて、
生活にも役に立つような「発明」が生まれるのだ。
　　　　　　　　　　～ 　Char Fuitter (1847～1912 オランダ)　～

改元対応で頭を悩ませているエンジニアは多数いらっしゃるだろう。
私も、改元について最も想いを巡らせている人のひとりだと思う。
たぶん、そのベクトルはだいぶ違う方向に向いている気がする。

次回（があれば）、
「新元号」は、今回のAIの評価でどれくらいの評価値なのか？
Google俗用フィルタの評価値は？
などを確認しながら、予想と現実との乖離を確認したい。
もし、それが記録として残り、未来の次回の改元時に、
決める側の方に本プログラムの思想が採用されたら大変面白い。

この物語はフィクションです。
登場する人物・団体・名称等は架空であり、
実在のものとは関係ありません。
Char Fuitter （チャー・フイター）は架空の人物です。
※途中で良いことを言っていても騙されないように。
※Google俗用フィルタは、「正解」発表後は、
　「正解」が元はいくつだったのか、確認出来ないかも。

前書き

2019年4月1日11:30、新元号が発表された。
新元号は「令和」とのこと。

その直前、フジテレビの特番にて、
本記事で作成したAIが選んだ元号が公開された。

さて、結果は・・・。

シリーズ記事一覧と、今までのサマリ

まだシリーズ一連の記事をご覧になっていない方は、
先に以下の記事を読んでいただいてから、
本記事をご覧いただくことを推奨します。

シリーズ記事一覧

初回の記事⇒
平成の次の元号を、AIだけで決めさせる物語

２回目の記事⇒
【続】平成の次の元号を、AIだけで決めさせる物語（＠テレビ取材）

３回目の記事⇒
【続々】平成の次の元号を、AIだけで決めさせる物語（＠直前スペシャル）

今までの内容サマリ

AI（機械学習モデル）で元号予想したよ。
「いい意味の漢字」を機械に理解させるためにChar2Vecを使ったよ。
Qiitaで公開したら、テレビ取材を受けることになったよ。
「出典」も含めてガチで当てがんばる、発表直前に放送するよ。
「俗用されていないこと」もGoogleやWikipediaなどで実装したよ。
VTRに入らない深い内容はQiitaで公開するよ。

予想方法の概要

• 漢字の意味上の距離をベクトル化する機械学習モデルを作成（Char2Vec）
• 過去元号の文字と「近い」文字（=いい意味）を候補漢字として設定
• 日本古典/中国漢籍/落選元号から「出典」と言えそうな場所を全文検索
• MTSH、画数、Wikipediaの俗用有無、常用/教育漢字など多数のフィルタ
• ２文字のバランス＝距離感や、漢字のいい意味度などから評価値を算出
• Google検索の結果によって、俗用度合も再フィルタし、最終結果を出す
• 【制約】数値設定/プログラム以外の、作者のキライな字を除く、ような操作は禁止

本投稿の内容

• ①テレビをご覧になっていない方へ、結果を再度ご紹介

  • AIはどのような条件（出典）を与えられ、何を選んでいたのか？
  • それぞれの評価値と選定理由の詳細（テレビ放送分の詳細版）

• ②「令和」を本作のAIで評価させると、どんな評価になるのか？

  • 「令」「和」の文字ごとの評価
  • 「令和」の全体としての評価値（２文字の「距離感」を含めた総評）
  • 「俗用度」についての考察

• ③予想と現実の比較考察

  • 「漢字」をプログラムで扱う人には参考になるかも？

AIの予想した結果（テレビ放送の詳細版）

一位の発表と、テレビでの反応

本プログラムが出した結論は、
「孝永」

詩経の「孝子不匱，永錫爾類」が出典である。

「孝　子(こうし)　匱(つき)　不(ず)　永(なが)く　爾(なんじ)に　類(るい)を　錫(たま)う」
→「こうしつきず　ながくなんじにるいをたまう」とよむ。

その意味は、
「世継ぎが尽きることがなく　末永くあなたに一族の繁栄をもたらす」

要するに、
子孫繁栄という縁起のよい内容。
良い場所が出典になるかは少し運ゲーであったが、
偶然にもかなり良い出典になったと思う。

テレビ放送中では、以下の４予想が公開され、
視聴者投票が実施された。

• 「宇拓」（by 金田一先生）
• 「高光」（by 土屋先生）
• 「寬安」（by フジテレビネット取材部）
• 「孝永」（by AI）

視聴者投票の結果は、AIの圧勝
一位：「孝永」＝７２％
二位：「寬安」＝１１％
三位：「高光」＝　９％
四位：「宇拓」＝　８％

「AIにしては保守的だな」
「（視聴者のみんなは）今のまま（保守的な元号で）でいい、ということ」
と、金田一先生よりコメントをいただいていた。

保守的、との指摘はなかなか正しく、
過去のすべての元号を「平等に」扱って予想したため、
過去の元号に近しいものを出力した ＝ とても(古い)元号っぽい、ため。
にしても、視聴者の方からここまで賛同をいただいたことは嬉しい限り。
後で考察を追記するが、実は今回完全に的中出来なかった要因として、
この「平等」であったこと、は大きな比重を占める。
一方で、そのためにいかにも「っぽい」ものになって、
視聴者からの納得感が高かった、という傾向はあると思う。

２位以下含めた候補の発表

テレビ上でも一瞬表示されていた、
AIの出した孝永以外の候補について、
評価値や出典を含めて掲載する。

表の見方

• 総合評価値 ＝ AI評価値×10 - 俗用度
• AI評価値 ＝ 文字の良さ＋距離感の良さ、を基準に複雑な計算
• 俗用度 ＝ Google検索結果より求めた俗用度
• 出典
  • 日：日本書紀、古事記、万葉集
  • 中：四書五経(大学,中庸,論語,孟子,易経,書経,詩経,礼記,春秋)、史記
  • 落：過去の落選元号

※詳細は過去記事をご参照

裏話として、個人的には「常用」は最初から除外しようと思っていたが、
「常用」を入れないと同じような文字の組み合わせが増えてしまい、
テレビ的に「見栄え」が悪いので、
「常用」については個数を限定して、
上位のものだけ最終候補として入れることになった。
「常用」が無いとも言い切れなかったため。

出典としてどの文章を使うか？
常用を入れる入れない、画数はいくつ以下？などの
「設定値」はどうしても決めざるを得ない。
ただ、その状態においては、どの漢字/候補も平等に扱っている。

個人的には、孝永をはじめとして、
吉天、文竹、喜永、仁元、文承、恭天、
など、どれもそんなに悪くは無い気がしている。
（どれも古い表現という印象はある）

なお、AIによる他候補に対する評点としては、
「宇拓」はAI評価値が0.66（※孝永5.29）
「高光」は俗用度が高すぎ(54)＆Wikipediaに存在、でNG
というところであった。

令和を本作のAIで評価

さて、いよいよ本題の、令和に対する評価値は？

令和 ：　WIKIタイトル後チェックNG

がーん。

憲法学者の「川岸令和」さん
がWikipediaに乗っており、
高名な方で、出版もされている。
また、他にも一般人で「令和」さんは複数いらっしゃる。

そのために「WIKIタイトル後チェック」
＝WIKIに乗っているレベルの人名はNG、
のチェックではじかれてしまっていた。

では該当のチェックを外して評価を行うと、

令和：AI評価値 ＝ 2.59 (※実質2.99@後述)

今回候補に挙げた最低値が3.56のため、
少し評価値としては高くはない。
（宇拓が0.66であった通り、低い値ではない）

俗用度についての考察

発表後の今となってはGoogle俗用度関数は動作出来ない。
しかし、直後にGoogleを見た時の印象からすると、
俗用度としても（人名は、地名などに比べればかなり加減はしていたが）
少し高め＝俗用されている、と判断されそうな状況であった。

ただの人名であれば「令和の画像検索結果」はそこそこ上位に入る。
しかし、川岸令和さんの著作/出版物が先にHITしていたため、
「令和の画像検索結果」は低順位となる。
元号候補が新単語で俗用されていない ⇒ 画像検索が上位になる傾向、
という値を使っていたために、新単語とみなされなかったということ。

これは「有名人レベルの人名は除外したい」という意図で
誤っていたわけではなく、正しく評価していたと言える。

個人名の一致レベルでは多少しょうがないが、
著作があるレベルの有名人と重複するのは
避けなくてよかったのだろうか？
当然、普通の個人との一致も何件も報告されている。
（負け惜しみ）

反省点①

評価値が低めであった原因の一つとして、
まず私の読み間違え的な設定ミスがあった。
「明治大正昭和平成」の文字が入っている場合、
ペナルティ（今回は0.4）を設定していたため、
その設定が無い場合は2.99、約「３」であり、
これは候補には至らないもののそこそこ高い値だ。
直近の元号と同じ漢字は避ける設定は余計だった。

今回のAIによる元号的中はできず、
正解の元号に対する評価も、
決して高くはなかったため、完敗である。が・・・。

もう少し詳細に確認すると、大変興味深いことが分かった。

単一の漢字ごとの評価値

本作のAIでは漢字１文字ごとが「良い漢字かどうか」の評価値が
最終評価に最も大きく影響する仕組みであり、
各文字ごとにどうったのか、考察をしてみる。

「令」は意外な文字であったとの評判だ。
AIによる文字への評価値は0.31 、
これは、教育漢字1006字の中で、314位だ。
平均値よりは上であるものの「ふさわしい」レベルにはない。

「和」は、0.49 で71位。
自身が「お手本」でもあり、
お手本の中では低いもののまあ「ふさわしい」レベル。

ご参考までに、他の漢字いくつかの評価結果と、
教育漢字全てのランキングを掲載する。

永： 0.885977994167
天： 0.737857870747
仁： 0.839549368644
桜： 0.353807618816
善： 0.41546696606
悪： 0.111052437414
安： 0.692865630207
危： 0.310356468143
貧： 0.2459302001
富： 0.331105676499
勝： 0.188771693601
負： 0.113797467234
鼠： 0.0771632984204
猫： 0.148012992302
衣： 0.236350125043
食： 0.258570181343
住： 0.247701718093
令： 0.3063162064
和： 0.490555337934
宇： 0.290160216298
拓： 0.156864300019
平： 0.528437411631
成： 0.31741135288
昭： 0.384988257387
大： 0.537594822018
正： 0.701011684154
明： 0.636209015976
治： 0.547203264259

永徳仁忠久孝清元天康正安坂喜松田幸竹明宝養延氏長三皇五文保宮豊政城晴臣八守老蔵倉孫治宗六郷誠承光大里后志雲賀戸納平太家夫敬飯尊恩矢寺七父弟谷和池村武銭中化陽貴健丸応余浅四木観君将梅建羽漢府帳野肥幕朝福祖春山書盛憲満典兄策統良副泉朗官願閣石任善早省万厚王堂民百妻直栄財湯門則倍義男不円刀年乱景川秋九若子源測昭鏡億末至改灯師翌領親根革館職興母十議礼衛反原博屋死立司対祭玉院居晩実神図林派就風古乳説従条旧河拝宣討役遠近医千枝辞後権墓桜法縮資構兆象友豆党森護功蚕代橋温税酒創論筆句均務総拡裁美糖増熟冊約看積児史仏定土支科質国富台弁備広高減病費幼育町波室勤酸字信畑焼額著的認借仲諸理完績内絵成左磁牛京印益北首歴期済生預推危地塩陛庁量示律令会庭街委同防客柱聖金絹去西命青岩菜工舎静伝都園東座計毛祝張助花案農経員真刻小二適修申度結算婦宿学茶口教純樹島講宇許世章往遊授芸草胃制圧断展暖南右訳確害解給率路整寄談折周前横星造管性臨勢肺旗謝争尺物息貯形銅市刷遺鳥公独頂自腸詩値努術批熱庫紀模効課牧置簡燃県層営雪料責径産上有足幹宅勇相季順無俵亡弓仮炭垂厳洗校極族在沿補貨鉱処次昔利針者冷食道潔黄笛等寸起部際新程数芽想染並主短訪軍穀誤細強郡時運貸下湖共混然築辺住寒童通氷妹巻証間禁貧評羊賛再重演士基姉火我素州見買閉節復知力関検身綿糸進宙像事察好低非銀帰消夏粉吸腹精鳴所今衣飼導体月協裏由拾価卵薬用区弱変達水調束点単罪働駅労容記箱休来習退荷臓白問障雨望局社商歌暑写面覧衆深名続毒賃班判業警才席球予読米一残紙因災干刊卒感除返片夢慣冬集具悲列密域少系全洋準劇式本赤飲麦浴多票動編開版馬失留割第停能落植指線製耕株終昨両兵俳験鉄異角漁急階映求愛女人誕複転紅油港引側視暗位速招電待方陸激帯外皿個署標布序航件皮答現険服己頭提笑穴楽届略半犬心盟状常限材例唱念降意岸規射逆緑要秘選号報気聞液織受旅識奮覚暮散担勝快初肉挙雑賞英易採器板夕眼格鋼交苦日泣包血海筋決店注固黒否題品語可告秒行船得損毎郵希丁潮活配言査昼券移灰顔照流勉故仕輪当敗便止各境夜手難徒忘連誌葉類脳械比供殺特設週分私訓段先貿参存背機午入姿過曜情接欠疑未砂表収考縦打取発出飛述蒸似使候虫困追声貝付窓棒差技録専競巣囲底作投央級団詞揮回欲破切軽試耳加空迷界救型群犯骨痛種画始持枚絶他曲脈奏態魚汽思向場泳以別色練果優暴呼合音捨属探輸乗戦負究悪歩机歯胸様最放目味傷必札隊操登話装鼻組係着敵走舌売車何研番送

興味深い結果：「令和」は「平成」と全く同じ傾向

平： 0.528437411631
成： 0.31741135288
二文字の距離＝0.0353095354674

令： 0.3063162064
和： 0.490555337934
二文字の距離＝0.102744130448

孝： 0.80602597523
永： 0.885977994167
二文字の距離＝0.689883694307

「平成」は「成」の字が元号としては新字であった。
「令和」も「令」の字が元号としては新字。
「孝永」も「孝」の字が元号としては新字。

二文字の距離、は、前の記事で「平均0.3」が過去元号の平均値で、
それに近い方がより良い、としていた値だ。

「令和」の結果は、
新字の評価値も、旧字の評価値も、二文字の距離も、
全てが平成に酷似している。
この結果には大変驚いた。
二文字の距離感も、全体平均 ＝ 0.3 ± 標準偏差 の範囲を満たし、
直近15個ほどの平均値＝0.15にもかなり近い。
作成したAI（機械学習済みのchar2vecモデル）のモノサシは良かったのに、
私がそれをうまく設定して使うことができなかったということか。

「孝永」は、AIが見つけた新字。といいながら
「孝」はかなり過去元号のお手本に近いものとして
算出されており、AI評価値が高い。
また、二文字の距離も（全体的に過去元号は近似度が高めな値であり）
0.68というのは、かなり似ていて近い文字であることを示している。

今回の算出として、単純にどちらの文字ともに、
「過去元号のお手本に近いほど良い」という評価をしたため、
「孝永」が出てきており、
そのために視聴者からは「元号っぽい」と思われたと考えられる。
一方で「平成」の傾向を考えるとするならば、
一文字は高くて良いがもう一文字（新字相当）は、
0.3程度の普通よりちょっと上のゾーン（1000字中300位ほど）あたりから選ぶ、
というようなことをすれば、的中出来たのかもしれない。

つまり「いい意味度」をはかることはある程度成功したが、
元号を求める際には、やみくもに「いい意味」になるように組むのではなく、
「いい意味の旧字」と「意外な新字だけどそこまで悪い意味ではないやつ」を
組み合わせないといけなかった、のかもしれない。

古いものを学習させて、それを正としたAIだったため、
最近の元号の傾向＝元号として新しい印象の文字を使う、
に全く追随できていなかったし、
「大化」と「平成」を同列に扱っていた点が敗因と言えそうだ。
（とはいえ、どういうロジックで「最近の傾向」を
　見ればよいのかは物凄く難しい。）

改めて、モデルの評価値、予想と現実の比較考察

改めて、上記のモデルの評価結果を眺めると、
超上位の漢字＝「永徳仁忠久孝清元天康正安坂喜松田幸竹明宝養延」などは
なるほど、と思うピックアップになっているし、
似た属性での比較（安vs危、善vs悪、勝vs負、貧vs富）は
正しい結果、つまり良い意味の方が高い傾向になっている。

一方、「危」は0.31で、「成」や「令」と同レベル。
他にも、イマイチな文字が数字上高くなったりはしている。
これは「安」が高評価であることに引きずられ、
その対義語であるところの「危」も
高い評価値になっているためと思われる。

Word2VecやChar2Vecを扱う上で注意するべきポイントは、
「対義」というのは、実は文字のベクトル上では、
真逆ではなくむしろ「近い」ことを意味するという点だ。
真逆＝完全に無関係に見えるもの。「安」vs「鼠」など。

対義語のベクトル空間上での扱いの考察は、以前下記に記載した。

• 「赤の他人」の対義語は「白い恋人」 これを自動生成したい物語

よって、
「お手本の過去元号に近い」＝「良い意味」まではOKとして、
超TOPは抽出できているとしても、
少し順位が下がると雑音的な要素が増えてくるという事態が生じている。
（上位の「安」に引っ張られて「危」がそれなりの値になったように）

この点を解決しないと、
「300位あたりの文字から拾えば良かった」と言っても
結果論でそう見えるだけで、実際の300位近辺は
「危」なども含まれていて、あまり良い結果が期待できない。

Qiitaでは、
「１年後の自分が見て嬉しい記事を書く」
が良記事の一つのベストプラクティスであるため、
25年後の再挑戦時の自分が見て嬉しいように、解決案を記載する。

解決案

漢字のクラスタリングによって、
元号に使われるクラスタと、使われないクラスタを事前に振り分けておき、
各使われるクラスタ内での上位を拾う、という案だ。

例えばChar2Vecの結果をクラスタリングすると、
「東西南北」などが同じクラスタに入ったりすることは確認済み。
こうした似た漢字をグルーピングするのがクラスタリング。

今回の結果では、上位１００位ほどに、以下が出現している。
城、倉、家、寺、など
孫、夫、父、弟、など

これらは、恐らく場所クラスタ、家系クラスタ、などに属するはず。
場所や家系は相対的に良い意味なのだろうが、
本来は元号としてはイマイチだろう。

クラスタ内に、過去元号で採用された文字がなければ
「使われないクラスタ」として、これらの文字を除外できる。
そうすれば１００６字から真に使われる可能性のある文字に絞れる。

「安危」は同じクラスタに入ってしまうとして、
そのクラスタ内での上位の文字だけを拾えば、
「危」のように、良い方の意味に引っ張られたものも削除できる。
仮に、動物クラスタは、鶴、亀、竜などでOKだとしても、
鼠、馬、犬、などは下位で除外する、というような話。

イメージとしては、１次元で数値で比較してしまうと、
危 ＞ 勝、になってしまうのだが、
以下のようにグルーピングして、各グループの上側だけ取るということ。
「安　> > 危(0.31)」＞「勝(0.19) > > 負」

この考え方であれば、雑音的な文字は減らせ、
かつ「危」などのグループ内でザコい文字、も消去できそうだ。

実際にやる際には、クラスタリングの数や各種分類の設定など
かなりのチューニングを要するだろう。

もっとそもそもの問題点として、
折角char2vecのモデルを「６０次元」で作っていたのに、
過去元号に似ているかどうかの値として、
良い意味or悪い意味、の「１次元」に射影して扱っていた点もある。

クラスタリングの話は、複数次元で見る必要があったの意味だ。
今回は、良いor悪い（元号に近いor近くない）の
１次元に全てを射影して評価していた。

本来は、各次元（属性）ごとに考慮して、
そもそも元号に使われないような「魚鮪鰯」などの魚属性は除外、とか、
各次元（属性）ごとの良悪の評価を行うとか、
そういったより複雑な評価が必要であったのだろう。

「令」（や「成」）は単純に「良い意味」を追求して出る文字ではないため、
いまどきの元号を求めるには、こういった複雑な工程が必要になる。
２００年前の元号制定であれば、このAIがあれば
かなりいい線いっていたのかもしれない。

令和天皇（皇太子さま）が平成天皇（今上天皇）の
現在の年齢になるのは２５年後、
２５年後にまた挑戦してみる材料が出来た。

反省点②

では、「令」の字は今までの方法では全く見込みが無かったのか？
いや、落選候補元号に「令徳」があり、一度だけ出現する。

令徳 ：　２文字目13画以上NG

がーん。

「徳」の字の画数で引っ掛かり落ちていた。
過去の平均値等を元に１２画を上限として設定していたのだ。

画数のペナルティを外すと・・・
令徳：AI評価値 ＝ 4.15

これは余裕で最終候補に残る高評価だ。
もしかしたら、１３画まで合格ラインに設定していれば、
最終候補字の中には「令」もいたぜ！
っていうくらいのことは出来たようだ。

ご参考：他の元号候補に対する検証

本来は公開されないはずの、
令和以外の候補について
「万保」「万和」「広至」「久化」「英弘」
とネット上ではウワサされている。

これらについてはどれくらいの評価値だろうか？
あまり深くは述べないが軽く記載しておく。
（一部読み方などで万＝マン＝Mと誤読されていた、
　などのチェックは外して評価。1000字程度であれば、
　冒頭の読み方は、手動で設定しておくのもアリだった？）

万保：AI評価値 ＝ 3.59237004099
万： 0.412605058736
保： 0.583840449043

万和 ：　WIKIタイトル前チェックNG
（右翼の会社名？がwikiで出てくるのでありえない。捨て案？）

広至：AI評価値 ＝ 2.79708493969
広： 0.326555400899
至： 0.38284076335

久化：AI評価値 ＝ 4.16381808331
久： 0.807551234777
化： 0.478564698777

英弘 ：　WIKIタイトル前チェックNG
（会社名や、有名人名などでNG、ありえない。捨て案？）
　なお、「弘」は常用漢字だが、
　お手本漢字であり、AI評価値は驚愕の0.84

どれも、評価はかなり高めであった。
「古い元号っぽさ」を数値化するという意味では
AI評価値はそこそこ信頼出来る気がしてしまう。
古さの順では、個人的には以下の感覚。
孝永 ＞ 久化 ＞ 万保 ＞ 広至 ≒ 令和 ＞ 宇拓

反省点③

当初のプログラムの進め方上、
最初に「使う対象の漢字」を絞って、
さらに各候補にフィルタを連続でかけていき、対象を絞り込む、
という方法を採用していた。
この方法では最終結果も少なくなりすぎたし、
実は良かったという候補を
敗者復活的に獲得することが難しくなってしまっていた。
フィルタ＞フィルタで絞っていくよりも、
マシンリソースを気にせずに全探索系して、
各候補に「落選理由」を付与するような進め方にして、
１理由で落選しても他で良いものはOKとする、
ようなやり方も良かった気がする。
（「令徳」が画数だけで落ちていたり、「広至」も、
　0.3程度の字から出ている。など。）
　

あとがき

もしかしたら・・・
という気持ちもありながら、的中はやはり難しかった。
候補漢字50文字を当てたとしても約2450分の1。
外すこと自体は仕方がなかったかもしれない。

応援していただいたみなさま、投票していただいたみなさま、
フジテレビのみなさまへ改めて感謝。

万葉集までは入手済みであったため、
平成と完全に一致した傾向ということを踏まえると、
過去元号に近いように当てにいくのではなく、
平成にひたすら近いもの、という手法でも
結果を出力していたら？
未来に何か影響を与える可能性はあった。

なお、次回からは新番組、
令和の次の元号を、AIだけで決めさせる物語
が始まる予定。

次回は恐らく国書（＝古事記or日本書記or万葉集）になり、
かつ、平成、令和、の流れを踏襲すると考えると、
かなり犯人像は絞られている。
平成の名探偵は無事に令和の名探偵になれるのだろうか？
こうご期待である。

もしかしたら、次回は
選定者側にも当然AIが加わっている
という良きライバル登場、探偵が犯人だった？
みたいな時代になるのかもしれない。
今回の件で「AIも元号選定に加われることを世間に示せた」
ということがその理由の一つになっていれば、
この遊びプロジェクトの意義も大きいことになる。

超超長い戦いにお付き合いいただいたみなさまへ、
改めて感謝の意を示し、
平成最後の漢字分散表現との戦いに幕を下ろすことにする。
ご愛読ありがとうございました！！

平成31年4月7日（初版投稿）

前書き

Qiita読者の多数を占めるイケてるエンジニア諸氏には無縁の話ではあるが、
世の中には「パワポエンジニア」という職種がある。
綺麗なパワポを作ることが彼/彼女らの最大の価値であり、
コードは書かないが、時に「エクセル方眼紙」を駆使して、
"上流工程"を行う場合もあると聞く。

そんな彼/彼女らの"品質意識"は高く、誤字脱字はもちろんのこと、
「ユーザ」「ユーザー」「サーバ」「サーバー」などの表記の揺れや、
「PowerPoint」「powerpoint」「Database」「database」などの
大文字小文字の揺れも許されないようだ。

この記事はそんな彼/彼女らの悩みを
Pythonで解消する風景を描いた物語である。
もちろんフィクションであり、
この令和になろうという時代に
そんなエンジニアは存在しないに決まっている。

唯一実在する点は、本物語で開発されたツールであり、
以下から無料でダウンロード可能だ。(4/17(水)公開されました)

「パワポエクセル一発リント君」（Windows向け）
https://www.vector.co.jp/soft/winnt/business/se519740.html

• PPTXやXLSXからテキストデータを抽出
• 完全オフライン ＆ 前提ツール不要で動作
• 誤字/表記揺れを、複数ファイル横断で検知

もし伝説の「パワポエンジニア」や「エクセル方眼紙使い」が
実在するとしたら泣いて喜ぶツールだと思われる。

それでは早速、このツールが開発されるにいたった風景を見てみよう。

パワポエンジニアのお仕事風景より（Before）

ワイ「あー、今日もパワポ、明日もパワポや」
ワイ「最もよく使うツールはMS PowerPointやで」
ワイ「開発したこと無いけど技術に"詳しい感じ"に見せるのが腕の見せ所や」
ワイ「Qiitaのイケてるエンジニアのみんなが羨ましいで～」

上司「お客様にご説明する資料できたか？」
ワイ「はい、できました！」
上司「なんやこれは、誤字だらけやないかい！」

上司「【メーセージ】ってなんや、誤字だろ！」
上司「【アーキテクチャ】【アーキテクチャー】どちらもあるし」
上司「【Kubernetes】【kubernetes】と大文字小文字混ざっとる」
上司「【Kubenetes】って１文字欠けとるのもおるで！」
ワイ「（k8sについて分かりやすい解説を読んでも
　　　まだ間違ってしまうで。スペルが難しいんや！）」

上司「誤字、脱字、表記の揺れ、があると、
　　　中身もその程度の品質だって思われるぞ！」
上司「納品時に厳しくチェックされるし注意せなあかん！」

ワイ「マコト モウシワケ ゴザイマセン」
上司「ゲンシジンになっとるで！」

ワイ「・・・。」
ワイ「・・・・・・。」
ワイ「ｚｚｚｚ」
ワイ「はっ！おふとんがなくてもスヤァしそうになるで」
ワイ「誤字/表記揺れチェックはつらみが深いで」
ワイ「でもツマラン誤字脱字で怒られるのもコリゴリや」

3歳娘「パパ、誤字/表記揺れチェックを自動化して？」
3歳娘「みんな持ってるの」
3歳娘「私だけ持ってないの」
ワイ「（いや、そのセリフはおねだりの常套句やけど）」
ワイ「（いきなり3歳娘登場は読者がついていけんやろ・・・）」
ワイ「（アンパンパーソンあたりから丁寧に導入しないと）」
ワイ「（話の導入部書くのが面倒になったからといっても）」
ワイ「（やめ太郎さん知ってる人でも驚くほど無理やりやで）」
ワイ「（会話でまとめるの大変であきらめたってバレるで。やめ太郎さんスゴすぎや！）」

ワイ「さあ、誤字/表記揺れチェックを自動化していくで！」

◆重要注意事項：
　この物語はフィクションです。
　登場するワイは架空のワイであり、
　実在の誰かや組織とは全く関係ありません。

パワポとエクセルの誤字/表記揺れを自動チェックするツールが完成！

• 複数のパワポやエクセルから一括でテキストデータを抽出！
• 誤字や表記の揺れを自動機械チェック
• 完全オフライン動作 ＆ チェック規則の作成不要

以下のページから、無料でダウンロード出来ます。

「パワポエクセル一発リント君」（Windows向け）
https://www.vector.co.jp/soft/winnt/business/se519740.html

※複数のパワポから一括でテキストを抜き出すツールとしても使えます。
※パワポ以外でも、長文テキストに対する表記揺れチェックとしても使えます。
※もちろん、Qiita投稿時の事前チェックとしてご利用いただくことも可能。
※名前がダサいのは敢えてです。UIも無いような古いツールだし。

本投稿の内容

以下ツール開発の流れに沿って
ポイントとなるコード/ノウハウを記載します。

■本ツールの開発の流れ
パワポやエクセルからテキストを抽出
⇒
形態素解析によって名詞を対象とする
⇒
「編集距離」が近い ＝ 似た語句は、誤字/表記揺れの可能性
⇒
Pythonのファイルを「EXE化」して配布可能にする

■主なノウハウ

• Pythonでどうやってパワポやエクセルを扱うか？
• 「表記揺れ」をどうやって検知するのか？
• Pythonを「EXE化」するツールとは？
• 形態素解析を「EXE化」に組み込むのは大変だったこと
• 環境は、Windows/Python3.6前提

PPTXからテキストを抽出する方法

これを使う： python-pptx
https://python-pptx.readthedocs.io/en/latest/

以下のコマンドでインストールできる。

pip install python-pptx

以下のようにして、テキストを抽出できる。
実行すると、PPTXの中身がダァーっと出てくる。

from pptx import Presentation
import sys

try:
    prs = Presentation("input_file_name.pptx")
except:
    ##　パスワード付きなどで開けないとエラーになる。
    ##pptx.exc.PackageNotFoundError: Package not found at  ファイル名
    sys.exit()

#中に入っているslidesの数分の繰り返し
for islide in range(0, len(prs.slides)):
    #スライド名出力　（１階層目）
    print("slide_name=",str(islide))
    #print ("\tfor slide => " + str(islide))
    #python-pptxとしてのスライドを取得
    slide = prs.slides[islide]
    #スライドのshapesの分だけ繰り返す。
    for shape in slide.shapes:
        #テーブル構造を持っている場合は、
        #if shape.has_table:などで分岐して別処理が必要。
        #長くなるのでここでは省略。
        shapeText=""
        #テキスト構造を持たないshapesは無視して次に進む。
        if not shape.has_text_frame:
            continue
        for paragraph in shape.text_frame.paragraphs:
            #.strip()は、改行コードやタブ情報などを削除する。
            shapeText += paragraph.text.strip().replace('\n','').replace('\r','')
        #もし、そのshape内にテキストデータが入っている場合は出力
        if( len(shapeText) >0 ):
            print(shapeText)

これで、任意のPowerPointファイル（PPTX）から
テキストデータを抽出できるようになった！

XLSXからテキストを抽出する方法

これを使う： xlrd
https://github.com/python-excel/xlrd
（xlrdは読み込み用で、書き込みたければxlwt）

以下のコマンドでインストールできる。

pip install xlrd

以下のようにして、テキストを抽出できる。
実行すると、XLSXの中身がダァーっと出てくる。
（ただしセルに入っている値のみで、オブジェクトは不可。
　どなたか良い方法をご存知であれば教えてください）

import xlrd

book = xlrd.open_workbook("sample.xlsx")

# ブック内のシート数を取得
num_of_worksheets = book.nsheets
print("シート数",num_of_worksheets)

# 全シートの名前を取得
sheet_names = book.sheet_names()
print(sheet_names)

#ブック内のシート数分繰り返し
for iSheet in range(book.nsheets):
    sheet = book.sheet_by_index(iSheet)
    #行の数だけ繰り返し
    for row_index in range(sheet.nrows):
        #列の数だけ繰り返し
        for col_index in range(sheet.ncols):
            val = sheet.cell_value(rowx=row_index, colx=col_index)
            #emptyとか入る場合もあるので、まずSTRに変換。
            str_val = str(val)
            if len(str_val) >0:
                #print(str_val)
                print(str_val)

これで、任意のExcelファイル（XLSX）から
テキストデータを抽出できるようになった！

DOCXからテキストを抽出する方法(オマケ追加)

※初期バージョンでは未実装機能：
　コメントにて要望があったため追加。
　2019/5月上旬までに公開予定。

これを使う： python-docx
https://pypi.org/project/python-docx/

以下のコマンドでインストールできる。

pip install python-docx

以下のようにして、テキストを抽出できる。
実行すると、DOCXの中身がダァーっと出てくる。
（通常の文章＋表の中の文章が対象のコード。
　オブジェクトの文章の取得方法は不明。）

import docx

doc= docx.Document('sample.docx')

#全文章を取得
for par in doc.paragraphs:
    print(par.text)

print("---------------------------")

#全テーブルに対して処理を行う。
for table in doc.tables:
    for row in table.rows:
        #print(row.cells[0].text)
        for cell in row.cells:
            print(cell.text)

これで、任意のWordファイル（DOCX）から
テキストデータを抽出できるようになった！

ツールの名前は直さなくてもいいかなｗ

「表記揺れ」を検知する方法

レーベンシュタイン距離(Levenshtein distance)の応用版を使う。

レーベンシュタイン距離とは、
2つの語の間の編集距離のことで、
一方の語句から他方を得るのに必要な「修正作業」の回数のこと。

「修正作業」とは、以下の３つのこと。

• 挿入(insertion)　apple⇒applepen なら３回
• 削除(deletion)　非日常的⇒日常 なら２回
• 置換(alteration)　カンジ⇒カンマ なら１回

これを基本として、誤字チェックのためには、
隣接文字の入れ替えも距離１と考えた方が良い。

• 転置(transposition)　カンジ⇒カジン なら１回

転置も認めたものは、
Damerau–Levenshtein距離と呼ばれているそうだ。

さらに、語句の長さも考慮しよう。

PenPinappleApplePen、と
PenPinappleApple、は編集距離＝３になる。
このルールだとPenとbagも編集距離＝３だ。
どう見ても、PenPinappleApplePenの方が似ている。
そこで、
「編集距離」÷「長い方の文字列の長さ」を
標準化されたDamerau–Levenshtein距離
とする。必ず０～１の間に入る値になる。

• PenPinappleApplePen　vs　PenPinappleApple ⇒ 0.158
• Pen　vs　bag ⇒ 1.0

２つの異なる語句に対してこの値が一定値以下であれば、
誤字/表記揺れの可能性が高いということ。

原理の説明が長くなった。
実装としてはこれを使う： pylev3
https://pypi.org/project/pylev3/

以下のコマンドでインストールできる。

pip install pylev3

「標準化」を加えて、以下のように使おう。

from pylev3 import Levenshtein
def getNormalizedDamerauLevenshteinDistance(str1,str2):
    maxlength = max([len(str1),len(str2)])
    distance = Levenshtein.damerau(str1, str2)
    return distance/maxlength

print(getNormalizedDamerauLevenshteinDistance('cat', 'ctaa'))
#0.5
print(getNormalizedDamerauLevenshteinDistance('cat', 'cta'))
#0.33333

これで、語句同士の編集距離を求められるようになり、
誤字/表記揺れを抽出できるようになった！

＃決して、ダジャレ自動生成のために調べていたことが
　シゴトに役立ちそうと思ったわけじゃないんやで！

PythonをEXE化する方法

ツールが出来たあとで「配布」するためには、
pyinstallerを使って「EXE化」したい。

pyinstaller
https://www.pyinstaller.org/

以下のコマンドでインストールできる。

pip install pyinstaller

Pythonのファイルを指定して、以下のように使う。

pyinstaller pythonfile.py --onefile --icon=iconfile.ico

これで単独で実行できるEXEができる。
ツールの配布先/実行環境のPythonの有無やバージョンに
頭を悩まさずに済むため、大変便利だ。

pyinstallerのエラー発生時の解決方法：

下記の記事を参考にさせていただき、感謝！！
https://qiita.com/pocket_kyoto/items/80a1ac0e46819d90737f

エラー：「AttributeError: 'str' object has no attribute 'items'」

pip install --upgrade setuptools

エラー：「Cannot find existing PyQt5 plugin directories」

pip install PyQt5

形態素解析をPythonのEXE化に組み込む方法

名詞を抽出して「表記揺れ」対象リストを作る

パワポやエクセルから取得したテキストから
名詞を抽出して、レーベンシュタイン距離の比較対象とする。
　（N-gramを使うような方法も有力かもしれない = 検討中）

名詞以外も対象としても良いのだが、
活用の違いなどで誤検知が増えるため名詞に限定した。
さあ、形態素解析ツールを導入しよう。

Mecabではダメだった

Pythonで形態素解析するツールとしてはMecabが有名である。

「赤の他人」の対義語は「白い恋人」 これを自動生成したい物語
https://qiita.com/youwht/items/f21325ff62603e8664e6

の時もMecabを使っており、同様のコードが使えるため、
形態素解析自体の手法の記載はここでは省略する。

だが、ここで大きな問題があった。
Mecabは外部ツール的なポジションであるため、
pyinstallerで作るEXEの中に入ってくれないのだ。
つまり、EXE化は出来るのだが、
Mecabをインストールしていないパソコンでは
動作しないものになってしまう。

そこで、Janomeにしてみた

pipでインストール出来るJanomeならば、
pyinstallerでEXEに組み込める、と考えた。

Janome
https://mocobeta.github.io/janome/

以下のコマンドでインストールできる。

pip install janome

Mecabの代わりにJanomeを使おう。
ほぼ同様に使える。

が、JanomeでもEXE化するとエラーが発生！

が、Janomeを含むスクリプトを、
pyinstallerでEXE化後に実行しようとすると、
以下のようなエラーが発生してしまった。

AttributeError: 'Matcher' object has no attribute 'dict_data'

今回の開発ではこのエラーが、
情報が少なく最もハマったところだ。

解決、そして形態素解析を組み込んだEXEが完成！

どうやらこれは、Janomeで使っている辞書データを。
pyinstallerが認識してくれず組み込めないことが原因。
Janomeは内部的に「sysdic」というパッケージを使っているようだ。
「sysdic」自体はJanomeと同様に「site-packages」フォルダ下にあった。
Janomeのフォルダ下ではないために、
pyinstallerが依存物を引っ張ってこれないという現象だ。

「--onefile」オプションをつけない場合は、
「dist」フォルダ配下（出力されるEXEファイルと同じ場所）に、
「sysdic」をフォルダごとコピーして置けば良いようだが、
「--onefile」オプションは、
単一のEXEファイルに変換するオプションであり、
これが無いと配布物がバラバラしてしまうので、ぜひつけたい。

最終的には「--add-binary」オプションで解決できた。
以下のように書く。

pyinstaller pythonfile.py --onefile --icon=iconfile.ico --add-binary "C:\Users\YourUserName\Anaconda3\Lib\site-packages\sysdic";sysdic

当初「--add-binary」オプションの書き方が良く分かっていなかった。
ファイルパスの後ろの「;sysdic」がポイントで、
EXEファイル側から見た時のパスを書いておける模様。
今回のsysdic以外でも、任意のdllや画像ファイルなどを
使いたい場合は同様に「--add-binary」が有効だ。

なお、EXE化する際には「--key」オプションを入れると、
実行ファイルを暗号化できる。

EXE化したツールは辞書データを含めて非常に重く、
配布物は実に２５０MB前後ある。
このために、Web上で事例がほぼ無かったのだろう。

パワポエンジニアが多い組織(注:架空の組織の話)においては、
Mecabを自分の環境に入れておいてください、とか、
pipでJanomeを入れておいてください、とかは、
日本語として通じないため、
誰でもどこでも使えるように、
重くてもEXEにしたほうが便利であろう。

この方法は、一般の人へツールを作成する時にも使えそうだ。
例えば以前「対義語自動生成ツール」が配布できなかった理由は、
まさにこの形態素解析含みの配布物を作れなかったことが、
最大の要因の一つであるのだから。

既存ツールとの特徴比較考察

このような様々なノウハウの組み合わせで、とうとう
「パワポエクセル一発リント君」（Windows向け）
https://www.vector.co.jp/soft/winnt/business/se519740.html
（※2019/4/17～公開されました）

は完成した。
単純に（架空のワイが）欲しいものを作るのではなく、
既存ツールと比較して、
それぞれ何か一か所以上は利点があるか確認すべきだ。
具体的なツール名は伏せるが、
本ツールの特徴と、既存ツールとの比較を考えよう。

①校正ツールの希少性
文章校正に使えるツール自体がまず少ない。
または高価な専門ツールになってしまう。
その点、本ツールは無料で利用可能だ。

②パワポ＆エクセルを対象
文章校正ツールの多くは単純テキストのみを対象にしている。
パワポやエクセルに対応したツールは少ない。
その点、本ツールはパワポやエクセルのテキスト化ツールとしても使える。

③表記揺れを一括チェック
Office自体に組み込まれている誤字チェック機能は
「表記の揺れ」には対応できず、
「Kubernetes」のような新語/技術用語にも弱い。
複数のファイルを横断して統一チェックすることも出来ない。
その点、本ツールは自身の資料内で使われている単語と突き合わせるため、
どんな用語だろうが問題なく、しかも複数ファイル横断での一括チェックも可能だ。

④完全オフライン ＆ 前提ソフト無し
文章解析要素を含む校正ツールの場合、辞書の包含やAPI利用のために、
Web上に文章を置かないといけない場合が多い。
その点、本ツールは完全にオフライン、ローカル環境で使える。
企業内の資料をチェックするにはほぼ必須となる前提であろう。
しかもインストールの前提ソフトが無く、誰でも使える。
（Officeそのものすら必要ない）

⑤検出力に優れる
そこそこの検出力があり、表記揺れの場合に、
どちらに寄せるべきかの候補、使われている回数と共に表示される。
（※検出力については、まだ今後の検証を要するが、
　　人が見つけられなかった多数の誤りを一瞬で見つけたことは事実）
本ツールのチェック観点は少し独特なので、
仮に別のツール等を用いている人にも、二重チェックとして役立つであろう。

これだけの特徴があれば、
完全上位互換のツールは世の中に存在しないと考えられる。
この考察をもって、本ツールのリリースを許可することにした。

さあ、新しくなったワイのお仕事風景を見てみよう。

パワポエンジニアのお仕事風景より（After）

ワイ「毎日毎日僕らはエクセルの～」
ワイ「マス目揃えて、やになっちゃうよ～」

上司「アホな歌うたってないで」
上司「お客様にご説明する資料できたか？」
上司「あと、設計書もできたか？」
上司「今日はプレミアムフライデーだから残業禁止やで」

ワイ「はい、できました！」

上司「へぇ～、できました、ねぇ」
上司「どれどれ」
上司「誤字脱字も申し分ない」
上司「ほう、ここも大文字小文字が統一されて・・・」
上司「おいキミ、こんなパワポどこで！？」

（人さし指を立てて）
ワイ「パワポエクセル一発リント君！！」

上司「元ネタのビズリーチとかけ離れすぎて分からん！！」

ワイ「１０回以上見直したような資料でも」
ワイ「１００ページあると１０種類くらい、何かの誤字や表記揺れが見つかるで」

ワイ「これでワイも毎日がエブリデイやで！」
ワイ「Qiitaへの投稿時に誤字/表記揺れの簡易チェックとしても使えるで！
　　　＃あまり短い文章やコードに向いたツールじゃないけどな」

おしまい。

「個人開発」は思想（ニーズ）と技術（ノウハウ×努力）の融合である。
一個一個の要素は大した話ではない。技術も高度な話はない。
今までの物語もそうだった。

訓練不要で誰でも速読！日本一の速読アプリ「瞬間速読」の個人開発物語（25万DL）
https://qiita.com/youwht/items/a1b7a843888c27490172

【無料】Qiitaの殿堂を作った物語【簡単】
https://qiita.com/youwht/items/9851c2ac9024633fc04e

簡単な要素でもアイデアを組み合わせ、形を創ることは興味深い。

ただ、今回の物語は気持ちと思想に大いなる矛盾をはらんでいる。
何が矛盾かはここでは表現できない。
悩み続けることもまた物語なのかもしれない。

★投げやりな重要追記事項（あとで消すかも）

Qiitaを見るようなイケてるエンジニア諸氏にとって、
パワポやエクセルの誤字/表記揺れなんて、
誰も気にしていないのは分かっている。
99%の人が不要であるどうでもいい投稿だ。
ツールの公開自体、迷うところがある。（実はまだ迷っている）

パワポエンジニアの同志やエクセル方眼紙使い（or 使わされ）がいたら、
「いいね」で公開支持を表現してほしい。

この記事への反応(いいね)が少ない場合、
「良かった。病気の子供パワポエンジニアはいないんだ....。」（参考）
という気持ちで、それはそれで嬉しくなるだろう。
⇒ Vectorへの公開申請も取り下げるツモリ
⇒意外にも多くのご支持をいただき公開しました@4/17追記
　先行配布した範囲では、検出力的にはなかなか評判が良かったこともあり。
　ただ、ページ数や対象資料の内容にもよるので、
　ご期待に沿う動きになっていると良いのですが・・・。
　（近日、MS-WORDも対象にするかも？）

今回のツールは用途が楽しく無いので、
いつもに比べて、公開モチベーションが非常に低い・・・。
ちょっと楽しくしようと「ワイ」に登場してもらったが、
かえって闇が深くなってしまった気がする。
4/17に公開されていないかもしれない。
or オトナの事情で本記事ごと消滅しているかもしれない。
（Vectorでの公開後に投稿しようかと思ったが、
　Pythonの部分は既に書き終わっているし、
　迷いがある分、時間があると蛇足が増えていくので
　もう投稿しちゃうことにした）

反応(いいね)が多い場合、嬉しみがありながらも、
日本の未来は大丈夫なのか心配になってしまう。
各個別のノウハウ記載に対してや、
「ワイ」のネタに対しての、いいねだと思うことにする。
（そして気が向いたらmac版もコンパイルしておく）

ところで、こんな話を思い出した。
痩身エステや痩身サプリの主なターゲット顧客は、
超太っている人ではなく、むしろ標準に近い人、と聞いたことがある。
そのサービスの効果を最大に得ることができそうな人は、
そのサービスを全く受ける気が無い≒課題を気にしていない、という。
パワポエンジニアはQiitaを見ないし、
チェックを自動化するツールを探したりもしない、ような気がする。

この物語はフィクションです。
登場する人物・団体・名称等は架空であり、
実在のものとは関係ありません。
「ワイ」「上司」のモデルとなった人・組織はありません。
※ ツールが公開 or 申請取り消し、した際には、
　ダウンロードURL表示のところは直しておきます。

写経により邪念を滅却し、功徳を積もう

写経は、一字書くたびに一体の仏像を彫ることと同じである、
と言われております。
仏像彫る人が可哀そうじゃね？

昨今の現代社会のストレスに耐え兼ね
私も写経によって心を落ち着かせ、
極楽浄土への功徳を積みたいと思うようになりました。

写経とは？

写経（しゃきょう）とは、仏教において経典を書写すること。
現代の日本で写経と言えば、『般若心経』の書写を指すことが多い。
（参考：Wikipedia ）

効率的に写経するために

俗世の欲にまみれたエンジニアのみなさまは
常に効率化を考えてしまいがちですね。業（ごう）が深いことです。

効率化の例として、チベット仏教には
マニ車
というものがございまして、
1回転させると1回お経を読んだのと同じだけ、
徳を積んだことになるそうです。

これがなかなかの優れものでして、
水車マニ車、風車マニ車、ソーラーマニ車、など
「オートで功徳を積める」ものが多数出現しております。
ハンドスピーナーマニ車まである模様

しかし、マニ車ではちょっと頑張った感がありません。
そこで今回、「写経感を損なわないようにしながらも」
「オートで写経できる仕組み」をPythonで作ってみたのでございます。

出来たもの

こちらのgifをご覧くださいませ。

最終的に動作コード含めて作り方を全てご提示いたします。

重要な方針＝真心をこめた一打鍵

幸いなことに、「写経」については、
その手段/フォーマット（使う道具）は問われないと聞いております。
（宗派によるそうです）

そこで、筆⇒キーボード入力、紙⇒電子化、までは許されると仮定できます。

• ログでバーッと出すような仕組み ⇒ NG
• キーボード入力の自動化 ⇒ OK

と仮定しました。
仏様の像を彫るような気持ちで真心をこめて、一打鍵ずつ、
ha nn nya si nn gyo u
と入力していけば良いわけですね。

自動化までの道のり

キーボード入力の自動化= pyautogui

pip install pyautogui

以下のようにして、打鍵の自動化ができます。

import pyautogui

#エンターキーを２回押す
pyautogui.press('enter', presses=2)
#コントロール＋V
pyautogui.hotkey('ctrl', 'v')
#任意の文字列のタイピング
pyautogui.typewrite("hannya")

他の使い方詳細は、下記の素晴らしい記事をご参照くださいませ。
https://qiita.com/hirohiro77/items/78e26a59c2e45a0fe4e3

自動化の難題＝日本語非対応

当初は、以下のような感じかなーと思っておりました。

pyautogui.typewrite("般若心経")

が、日本語には対応していなかったのです！
そこで ローマ字 + 変換キー にしてみたのですが・・・

#ローマ字で入力させて
pyautogui.typewrite("hannnyasinngyou")
#変換すればよいのではないか？
pyautogui.press('space"', presses=1)

これだと、日本語入力をONにしていれば入力は出来るのですが、
重要な問題：

般若心経の漢字はIMEでほとんどまともに出てこない

変換が効かないんですよね、仮に出てきたとしても、
何番目にその正しい対象があるのか取得は難しいです。

漢字はクリップボードコピペ＝pyperclip

そこで、漢字はクリップボード経由で
事前に登録 ⇒ ctrl+V
という形で入力することを思いつきました。
pyperclip を使えばクリップボードに介入できます。

pip install pyperclip

以下のようにして、クリップボード操作ができます。

import pyautogui
import pyperclip

#クリップボードに登録
pyperclip.copy(”般若心経”)
#コピペ
pyautogui.hotkey('ctrl', 'v')

しかし、もし全てctrl+Vだけで写経していたら、
当初の目的であった「写経感」が失われてしまい、
ログを出しているのと同じような感じになってしまいます。

そこで、きちんとキーボード入力を行いつつ、
出力を正しい漢字にするという融合が必要になってきます。
楽して写経しようなどという考えは甘いのです。

写経感の工夫ポイント＝ESCキー

pyautogui によってキー入力を行いつつ、
その変換の代わりに、「ESCキー」を連打することで、
入力した内容を消去し、
消去した瞬間にctrl+V作戦を行うことで、
IMEの変換っぽく見せることができる
という画期的な新技術を編み出しました。

コードの詳細は最後の全行コード内でご確認ください。

出来た全部のコード

さあこのコードで、みなさんもオートで功徳を積んでみてください。
部屋を暗くして、誰も居ない部屋で
繰り返し回数を多くして実行すると雰囲気が出てオススメです！

環境に応じて多少改変してお使いください。

#!usr/bin/python
# -*- coding: UTF-8 -*-

##PyAutoGUIのモジュール
#pip install pyautogui
import pyautogui

#クリップボードコピペ用
#pip install pyperclip
import pyperclip

import sys
import time

def GijiHenkan(kanji, roumaji, sleeptime):
    #roumaji文字列をタイプする（※全角モード前提）
    #pyautogui.typewrite(roumaji)
    #↑不自然に早いので不採用

    #全部の文字を一文字ずつ打つ
    for char in roumaji:
        pyautogui.press(char, presses=1)
        time.sleep(sleeptime)

    #変換前にひとこきゅう
    time.sleep(sleeptime)

    #クリップボードに漢字をコピーしておく
    pyperclip.copy(kanji)
    #消去した瞬間にクリップボードから文字をコピペ
    #消去については環境ごとに異なる可能性があるが、
    #escの２回押しにしておく。
    pyautogui.press('esc', presses=2)
    #コピペ
    pyautogui.hotkey('ctrl', 'v')
    #ひとこきゅう
    time.sleep(sleeptime)

    return 0

def Kaigyou(sleeptime):
    pyautogui.press('enter', presses=1)
    time.sleep(sleeptime)
    return 0

def DoSyakyou(sleeptime,kaigyousleeptime):
    GijiHenkan("摩","ma",sleeptime)
    GijiHenkan("訶","ka",sleeptime)
    GijiHenkan("般","hann",sleeptime)
    GijiHenkan("若","nya",sleeptime)
    GijiHenkan("波","ha",sleeptime)
    GijiHenkan("羅","ra",sleeptime)
    GijiHenkan("蜜","mi",sleeptime)
    GijiHenkan("多","ta",sleeptime)
    GijiHenkan("心","sinn",sleeptime)
    GijiHenkan("経","gyou",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("観","kann",sleeptime)
    GijiHenkan("自","ji",sleeptime)
    GijiHenkan("在","zai",sleeptime)
    GijiHenkan("菩","bo",sleeptime)
    GijiHenkan("薩","satu",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("行","gyou",sleeptime)
    GijiHenkan("深","jinn",sleeptime)
    GijiHenkan("般","hann",sleeptime)
    GijiHenkan("若","nya",sleeptime)
    GijiHenkan("波","ha",sleeptime)
    GijiHenkan("羅","ra",sleeptime)
    GijiHenkan("蜜","mixtu",sleeptime)
    GijiHenkan("多","ta",sleeptime)
    GijiHenkan("時","ji",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("照","syou",sleeptime)
    GijiHenkan("見","ken",sleeptime)
    GijiHenkan("五","go",sleeptime)
    GijiHenkan("蘊","unn",sleeptime)
    GijiHenkan("皆","kai",sleeptime)
    GijiHenkan("空","kuu",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("度","do",sleeptime)
    GijiHenkan("一","ixtu",sleeptime)
    GijiHenkan("切","sai",sleeptime)
    GijiHenkan("苦","ku",sleeptime)
    GijiHenkan("厄","yaku",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("舍","sya",sleeptime)
    GijiHenkan("利","ri",sleeptime)
    GijiHenkan("子","si",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("色","siki",sleeptime)
    GijiHenkan("不","hu",sleeptime)
    GijiHenkan("異","i",sleeptime)
    GijiHenkan("空","kuu",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("空","kuu",sleeptime)
    GijiHenkan("不","hu",sleeptime)
    GijiHenkan("異","i",sleeptime)
    GijiHenkan("色","siki",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("色","siki",sleeptime)
    GijiHenkan("即","soku",sleeptime)
    GijiHenkan("是","ze",sleeptime)
    GijiHenkan("空","kuu",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("空","kuu",sleeptime)
    GijiHenkan("即","soku",sleeptime)
    GijiHenkan("是","ze",sleeptime)
    GijiHenkan("色","siki",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("受","jyu",sleeptime)
    GijiHenkan("想","sou",sleeptime)
    GijiHenkan("行","gyou",sleeptime)
    GijiHenkan("識","siki",sleeptime)
    GijiHenkan("亦","yaku",sleeptime)
    GijiHenkan("復","bu",sleeptime)
    GijiHenkan("如","nyo",sleeptime)
    GijiHenkan("是","ze",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("舍","sya",sleeptime)
    GijiHenkan("利","ri",sleeptime)
    GijiHenkan("子","si",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("是","ze",sleeptime)
    GijiHenkan("諸","syo",sleeptime)
    GijiHenkan("法","hou",sleeptime)
    GijiHenkan("空","kuu",sleeptime)
    GijiHenkan("相","sou",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("不","hu",sleeptime)
    GijiHenkan("生","syou",sleeptime)
    GijiHenkan("不","hu",sleeptime)
    GijiHenkan("滅","metu",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("不","hu",sleeptime)
    GijiHenkan("垢","ku",sleeptime)
    GijiHenkan("不","hu",sleeptime)
    GijiHenkan("浄","jyou",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("不","hu",sleeptime)
    GijiHenkan("増","zou",sleeptime)
    GijiHenkan("不","hu",sleeptime)
    GijiHenkan("減","genn",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("是","ze",sleeptime)
    GijiHenkan("故","ko",sleeptime)
    GijiHenkan("空","kuu",sleeptime)
    GijiHenkan("中","tyuu",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("色","siki",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("受","jyu",sleeptime)
    GijiHenkan("想","sou",sleeptime)
    GijiHenkan("行","gyou",sleeptime)
    GijiHenkan("識","siki",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("眼","genn",sleeptime)
    GijiHenkan("耳","ni",sleeptime)
    GijiHenkan("鼻","bi",sleeptime)
    GijiHenkan("舌","zextu",sleeptime)
    GijiHenkan("身","sinn",sleeptime)
    GijiHenkan("意","i",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("色","siki",sleeptime)
    GijiHenkan("声","syou",sleeptime)
    GijiHenkan("香","kou",sleeptime)
    GijiHenkan("味","mi",sleeptime)
    GijiHenkan("触","soku",sleeptime)
    GijiHenkan("法","hou",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("眼","genn",sleeptime)
    GijiHenkan("界","kai",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("乃","nai",sleeptime)
    GijiHenkan("至","si",sleeptime)
    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("意","i",sleeptime)
    GijiHenkan("識","siki",sleeptime)
    GijiHenkan("界","kai",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("明","myou",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("亦","yaku",sleeptime)
    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("明","myou",sleeptime)
    GijiHenkan("尽","jinn",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("乃","nai",sleeptime)
    GijiHenkan("至","si",sleeptime)
    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("老","rou",sleeptime)
    GijiHenkan("死","si",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("亦","yaku",sleeptime)
    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("老","rou",sleeptime)
    GijiHenkan("死","si",sleeptime)
    GijiHenkan("尽","jinn",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("苦","ku",sleeptime)
    GijiHenkan("集","syuu",sleeptime)
    GijiHenkan("滅","metu",sleeptime)
    GijiHenkan("道","dou",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("智","ti",sleeptime)
    GijiHenkan("亦","yaku",sleeptime)
    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("得","toku",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("以","i",sleeptime)
    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("所","syo",sleeptime)
    GijiHenkan("得","toku",sleeptime)
    GijiHenkan("故","kou",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("菩","bo",sleeptime)
    GijiHenkan("提","dai",sleeptime)
    GijiHenkan("薩","saxtu",sleeptime)
    GijiHenkan("埵","ta",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("依","e",sleeptime)
    GijiHenkan("般","hann",sleeptime)
    GijiHenkan("若","nya",sleeptime)
    GijiHenkan("波","ha",sleeptime)
    GijiHenkan("羅","ra",sleeptime)
    GijiHenkan("蜜","mixtu",sleeptime)
    GijiHenkan("多","ta",sleeptime)
    GijiHenkan("故","ko",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("心","sinn",sleeptime)
    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("罣","kei",sleeptime)
    GijiHenkan("礙","ge",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("罣","kei",sleeptime)
    GijiHenkan("礙","ge",sleeptime)
    GijiHenkan("故","ko",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("有","u",sleeptime)
    GijiHenkan("恐","ku",sleeptime)
    GijiHenkan("怖","hu",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("遠","onn",sleeptime)
    GijiHenkan("離","ri",sleeptime)
    GijiHenkan("一","ixtu",sleeptime)
    GijiHenkan("切","sai",sleeptime)
    GijiHenkan("顛","tenn",sleeptime)
    GijiHenkan("倒","dou",sleeptime)
    GijiHenkan("夢","mu",sleeptime)
    GijiHenkan("想","sou",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("究","ku",sleeptime)
    GijiHenkan("竟","kyou",sleeptime)
    GijiHenkan("涅","ne",sleeptime)
    GijiHenkan("槃","hann",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("三","sann",sleeptime)
    GijiHenkan("世","ze",sleeptime)
    GijiHenkan("諸","syo",sleeptime)
    GijiHenkan("仏","butu",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("依","e",sleeptime)
    GijiHenkan("般","hann",sleeptime)
    GijiHenkan("若","nya",sleeptime)
    GijiHenkan("波","ha",sleeptime)
    GijiHenkan("羅","ra",sleeptime)
    GijiHenkan("蜜","mixtu",sleeptime)
    GijiHenkan("多","ta",sleeptime)
    GijiHenkan("故","ko",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("得","toku",sleeptime)
    GijiHenkan("阿","a",sleeptime)
    GijiHenkan("耨","noku",sleeptime)
    GijiHenkan("多","ta",sleeptime)
    GijiHenkan("羅","ra",sleeptime)
    GijiHenkan("三","sann",sleeptime)
    GijiHenkan("藐","myaku",sleeptime)
    GijiHenkan("三","sann",sleeptime)
    GijiHenkan("菩","bo",sleeptime)
    GijiHenkan("提","dai",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("故","ko",sleeptime)
    GijiHenkan("知","ti",sleeptime)
    GijiHenkan("般","hann",sleeptime)
    GijiHenkan("若","nya",sleeptime)
    GijiHenkan("波","ha",sleeptime)
    GijiHenkan("羅","ra",sleeptime)
    GijiHenkan("蜜","mixtu",sleeptime)
    GijiHenkan("多","ta",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("是","ze",sleeptime)
    GijiHenkan("大","dai",sleeptime)
    GijiHenkan("神","jinn",sleeptime)
    GijiHenkan("呪","syu",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("是","ze",sleeptime)
    GijiHenkan("大","dai",sleeptime)
    GijiHenkan("明","myou",sleeptime)
    GijiHenkan("呪","syu",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("是","ze",sleeptime)
    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("上","jyou",sleeptime)
    GijiHenkan("呪","syu",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("是","ze",sleeptime)
    GijiHenkan("無","mu",sleeptime)
    GijiHenkan("等","tou",sleeptime)
    GijiHenkan("等","dou",sleeptime)
    GijiHenkan("呪","syu",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("能","nou",sleeptime)
    GijiHenkan("除","jyo",sleeptime)
    GijiHenkan("一","ixtu",sleeptime)
    GijiHenkan("切","sai",sleeptime)
    GijiHenkan("苦","ku",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("真","sinn",sleeptime)
    GijiHenkan("実","jitu",sleeptime)
    GijiHenkan("不","hu",sleeptime)
    GijiHenkan("虚","ko",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("故","ko",sleeptime)
    GijiHenkan("説","setu",sleeptime)
    GijiHenkan("般","hann",sleeptime)
    GijiHenkan("若","nya",sleeptime)
    GijiHenkan("波","ha",sleeptime)
    GijiHenkan("羅","ra",sleeptime)
    GijiHenkan("蜜","mixtu",sleeptime)
    GijiHenkan("多","ta",sleeptime)
    GijiHenkan("呪","syu",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("即","soku",sleeptime)
    GijiHenkan("説","setu",sleeptime)
    GijiHenkan("呪","syu",sleeptime)
    GijiHenkan("曰","watu",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("羯","gya",sleeptime)
    GijiHenkan("諦","tei",sleeptime)
    GijiHenkan("羯","gya",sleeptime)
    GijiHenkan("諦","tei",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("波","ha",sleeptime)
    GijiHenkan("羅","ra",sleeptime)
    GijiHenkan("羯","gya",sleeptime)
    GijiHenkan("諦","tei",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("波","ha",sleeptime)
    GijiHenkan("羅","ra",sleeptime)
    GijiHenkan("僧","sou",sleeptime)
    GijiHenkan("羯","gya",sleeptime)
    GijiHenkan("諦","tei",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("菩","bo",sleeptime)
    GijiHenkan("提","ji",sleeptime)
    GijiHenkan("薩","so",sleeptime)
    GijiHenkan("婆","wa",sleeptime)
    GijiHenkan("訶","ka",sleeptime)
    Kaigyou(kaigyousleeptime)

    GijiHenkan("般","hann",sleeptime)
    GijiHenkan("若","nya",sleeptime)
    GijiHenkan("心","sinn",sleeptime)
    GijiHenkan("経","gyou",sleeptime)
    Kaigyou(kaigyousleeptime)
    Kaigyou(kaigyousleeptime)
    Kaigyou(kaigyousleeptime)

    return 0


#以下、メインルーチン
if __name__ == "__main__":

    #実行前の待機(秒)
    print("5秒後に写経が始まります。")
    print("心を静かにして")
    print("テキストエディタを開いて、")
    print("日本語入力モードにしておきましょう。")
    time.sleep(5)

    sleeptime = 0.0015
    kaigyousleeptime = 0.02

    #写経開始
    #強制終了（ctrl+c）するときにキーボード入力が継続されてしまうので
    #実行する際には注意。
    #繰り返し回数は最初は１回だけなどにしておいた方がよい
    for var in range(0, 3):
        DoSyakyou(sleeptime,kaigyousleeptime)

    print("おつとめおつかれさまでした。")
    sys.exit()

あとがき

写経を（自動で）していると、
心が洗われるような感じがいたします。

特にエンジニアのみなさまにおかれましては、
「コンピュータが何か頑張っている感の様子を見ること」
だけでも心が洗われる、という統計結果が出ております。
（エンジニア３名に聞いてみた７つの心理的安全性　～～民明書房～～）

プログラム起動中は他の作業は一切出来ない「禅仕様」ですので、
ぜひみなさまも、
お忙しいなかの日常にも写経というオアシスを
取り込んでみてはいかがでしょうか？

また、日ごろお世話になっているみなさまへの感謝を込めて
１いいねごとに１回、
心を込めた自動写経を代行させていただきます。
ぽちっと押すだけで功徳を積める、Qiita史上最高に徳の高い記事です。

写経だけではなく読経したい方へのオススメ

以前ご紹介させていただいた、日本一の速読アプリにも、
般若心経を速読or念じられるモードを搭載しております。

訓練不要で誰でも速読！日本一の速読アプリ「瞬間速読」の個人開発物語（25万DL）

よろしければこちらもぜひご参照くださいませ。

ツッコミ

って、プログラムの「写経」じゃなくて、
ホンモノの「写経」の話だったんかーい！！！！

誰かの心の声が聞こえたような気がいたします。

悟りをひらいた仏様は「六神通」という超能力をお持ちで、
その一つ「他神通」では「他人の心を知る事ができる能力」があるそうですが、
私も本記事で沢山の功徳を積んだことで、
そのひとつに目覚めつつあるのかもしれません。

今回は、このツッコミをここまでひっぱって書くことと、
途中のお経データ入力が一番大変でした。

以上です。