11

我正在使用tm-package 在 R 中进行一些文本挖掘。一切都很顺利。但是，在词干提取之后会出现一个问题 ( http://en.wikipedia.org/wiki/Stemming )。显然，有些词具有相同的词干，但重要的是不要将它们“放在一起”（因为这些词的含义不同）。

有关示例，请参见下面的 4 个文本。在这里，您不能互换使用“讲师”或“演讲”（“协会”和“关联”）。但是，这是在步骤 4 中完成的。

是否有任何优雅的解决方案如何手动为某些案例/单词实现这一点（例如，“讲师”和“演讲”被保留为两个不同的东西）？

texts <- c("i am member of the XYZ association",
"apply for our open associate position", 
"xyz memorial lecture takes place on wednesday", 
"vote for the most popular lecturer")

# Step 1: Create corpus
corpus <- Corpus(DataframeSource(data.frame(texts)))

# Step 2: Keep a copy of corpus to use later as a dictionary for stem completion
corpus.copy <- corpus

# Step 3: Stem words in the corpus
corpus.temp <- tm_map(corpus, stemDocument, language = "english")  

inspect(corpus.temp)

# Step 4: Complete the stems to their original form
corpus.final <- tm_map(corpus.temp, stemCompletion, dictionary = corpus.copy)  

inspect(corpus.final)
4

2 回答 2

13

我不是 100% 你所追求的，也不完全了解它是如何tm_map工作的。如果我理解，那么以下工作。据我了解，您想提供一个不应被阻止的单词列表。我使用 qdap 包主要是因为我很懒，而且它有mgsub我喜欢的功能。

请注意，我对使用感到沮丧，mgsub因为tm_map它不断抛出错误，所以我只使用lapply了。

texts <- c("i am member of the XYZ association",
    "apply for our open associate position", 
    "xyz memorial lecture takes place on wednesday", 
    "vote for the most popular lecturer")

library(tm)
# Step 1: Create corpus
corpus.copy <- corpus <- Corpus(DataframeSource(data.frame(texts)))

library(qdap)
# Step 2: list to retain and indentifier keys
retain <- c("lecturer", "lecture")
replace <- paste(seq_len(length(retain)), "SPECIAL_WORD", sep="_")

# Step 3: sub the words you want to retain with identifier keys
corpus[seq_len(length(corpus))] <- lapply(corpus, mgsub, pattern=retain, replacement=replace)

# Step 4: Stem it
corpus.temp <- tm_map(corpus, stemDocument, language = "english")  

# Step 5: reverse -> sub the identifier keys with the words you want to retain
corpus.temp[seq_len(length(corpus.temp))] <- lapply(corpus.temp, mgsub, pattern=replace, replacement=retain)

inspect(corpus)       #inspect the pieces for the folks playing along at home
inspect(corpus.copy)
inspect(corpus.temp)

# Step 6: complete the stem
corpus.final <- tm_map(corpus.temp, stemCompletion, dictionary = corpus.copy)  
inspect(corpus.final)

基本上它的工作原理是：

  1. 为提供的“NO STEM”词替换唯一标识符键（the mgsub）
  2. 然后你干（使用stemDocument）
  3. 接下来，您将其反转并使用“NO STEM”字样（的mgsub）子标识符键
  4. 最后完成词干 ( stemCompletion)

这是输出：

## >     inspect(corpus.final)
## A corpus with 4 text documents
## 
## The metadata consists of 2 tag-value pairs and a data frame
## Available tags are:
##   create_date creator 
## Available variables in the data frame are:
##   MetaID 
## 
## $`1`
## i am member of the XYZ associate
## 
## $`2`
##  for our open associate position
## 
## $`3`
## xyz memorial lecture takes place on wednesday
## 
## $`4`
## vote for the most popular lecturer
于 2013-04-18T00:01:27.987 回答
0

您还可以使用以下包来提取单词：https ://cran.r-project.org/web/packages/SnowballC/SnowballC.pdf 。

您只需要使用函数wordStem，传递要词干的词向量以及您正在处理的语言。要了解您需要使用的确切语言字符串，您可以参考getStemLanguages方法，该方法将返回所有可能的选项。

亲切的问候

于 2017-07-04T02:06:51.453 回答