r - 如何从一组文本和一组特定的术语（标签）构建术语文档矩阵？

Question

我有两组数据：

• 一组标签（单个单词，如php,html等）

• 一组文本

我现在希望构建一个 Term-Document-Matrix 来表示tags 元素中text元素的出现次数。

我查看了R 库 tm和TermDocumentMatrix函数，但我看不到将标签指定为输入的可能性。

有没有办法做到这一点？

我对任何工具（R、Python、其他）持开放态度，尽管使用 R 会很棒。

---

让我们将数据设置为：

TagSet <- data.frame(c("c","java","php","javascript","android"))
colnames(TagSet)[1] <- "tag"

TextSet <- data.frame(c("How to check if a java file is a javascript script java blah","blah blah php"))
colnames(TextSet)[1] <- "text"

现在我想根据 TagSet 获得 TextSet 的 TermDocumentMatrix。

我试过这个：

myCorpus <- Corpus(VectorSource(TextSet$text))
tdm <- TermDocumentMatrix(myCorpus, control = list(removePunctuation = TRUE, stopwords=TRUE))


>inspect(tdm)
A term-document matrix (7 terms, 2 documents)

Non-/sparse entries: 8/6
Sparsity           : 43%
Maximal term length: 10 
Weighting          : term frequency (tf)

            Docs
Terms        1 2
  blah       1 2
  check      1 0
  file       1 0
  java       2 0
  javascript 1 0
  php        0 1
  script     1 0

但这是根据文本的单词检查文本，而我想检查是否存在已定义的标签。

Answer 1

tdm.onlytags <- tdm[rownames(tdm)%in%TagSet$tag,]

仅选择您指定的单词，然后继续进行分析。

Answer 2

DocumentTermMatrix(docs, list(dictionary = Dictionary$Var1)) 

您可以使用 set 标签预定义字典