我正在做一个小项目，该项目涉及在文档集合中进行基于字典的文本搜索。我的字典有积极的信号词（又名好词），但在文档集合中仅仅找到一个词并不能保证肯定的结果，因为可能有消极的词，例如（不，不重要）可能在这些积极的词附近. 我想构建一个矩阵，使其包含文档编号、正词及其与负词的接近度。
任何人都可以请提出一种方法来做到这一点。我的项目处于非常早期的阶段，所以我给出了我的文本的一个基本示例。
No significant drug interactions have been reported in studies of candesartan cilexetil given with other drugs such as glyburide, nifedipine, digoxin, warfarin, hydrochlorothiazide.
这是我的示例文件，其中坎地沙坦西酯、格列本脲、硝苯地平、地高辛、华法林、氢氯噻嗪是我的正面词，而我的负面词没有意义。我想在我的肯定词和否定词之间做一个接近（基于词）的映射。
任何人都可以提供一些有用的指示吗？
首先，我建议不要将 R 用于此任务。R 在很多事情上都很棒，但文本操作不是其中之一。Python 可能是一个不错的选择。
也就是说，如果我要在 R 中实现它，我可能会做类似（非常非常粗略）的事情：
# You will probably read these from an external file or a database
goodWords <- c("candesartan cilexetil", "glyburide", "nifedipine", "digoxin", "blabla", "warfarin", "hydrochlorothiazide")
badWords <- c("no significant", "other drugs")
mytext <- "no significant drug interactions have been reported in studies of candesartan cilexetil given with other drugs such as glyburide, nifedipine, digoxin, warfarin, hydrochlorothiazide."
mytext <- tolower(mytext) # Let's make life a little bit easier...
goodPos <- NULL
badPos <- NULL
# First we find the good words
for (w in goodWords)
{
pos <- regexpr(w, mytext)
if (pos != -1)
{
cat(paste(w, "found at position", pos, "\n"))
}
else
{
pos <- NA
cat(paste(w, "not found\n"))
}
goodPos <- c(goodPos, pos)
}
# And then the bad words
for (w in badWords)
{
pos <- regexpr(w, mytext)
if (pos != -1)
{
cat(paste(w, "found at position", pos, "\n"))
}
else
{
pos <- NA
cat(paste(w, "not found\n"))
}
badPos <- c(badPos, pos)
}
# Note that we use -badPos so that when can calculate the distance with rowSums
comb <- expand.grid(goodPos, -badPos)
wordcomb <- expand.grid(goodWords, badWords)
dst <- cbind(wordcomb, abs(rowSums(comb)))
mn <- which.min(dst[,3])
cat(paste("The closest good-bad word pair is: ", dst[mn, 1],"-", dst[mn, 2],"\n"))
你有没有看过其中任何一个