问题标签 [mining]

我正在处理非结构化数据（文本）。我想用一些关键词和关键词组合标记数据。

我无法用单词组合标记数据。我想知道“欺诈”和“误卖”发生在哪里。

我尝试使用 qdap 包我能够用 OR 条件而不是 AND 条件标记这两个词

下面是我使用的代码

我正在使用保险公司的投诉数据 我拥有的变量是

1. 投诉日期
2. 品牌反对者抱怨
3. 评论（投诉）

我最近正在尝试进行文本挖掘并查看代码，我了解了它试图对文本执行的操作。

但是问题出在代码的某些特定部分，我不知道为什么格式是这样的，以及参数是什么。那么你们对R语言的参考资料或书籍有一些建议，以便我可以检查这个函数的用途以及这个函数中参数的解释？

以下是做文本挖掘的几个问题，如果你们也能帮忙回答，不胜感激:)

1)

我的问题是：为什么在将 termDocumentMatrix 转换为矩阵时，我们在第三行需要两个“[]”

2)

这句话试图查看文件路径是否为 URL，我理解使用“grep”来检查文件路径是否有字符串“http”或“html”，但是为什么我们需要在 grep 之外的句子“length”？我很困惑。并且对于代码中的最后一项：

我也可以使用

达到同样的目的。那么generateSpeechDocCorpus和Corpus有什么区别呢？

在 IPython 中，我做

但它只返回一个月的帖子。

如果不是创建页面，我如何让帖子尽可能返回。

谢谢。

我刚刚在 R 中创建了一个术语文档矩阵，但现在我想重命名一些术语。

例如这里

检查 TDM 矩阵，它将输出

现在我想重命名例如“测试”。到“任何东西”。原因是当我挖掘我的文本时，有像“大数据”这样的词显然属于一起。所以在第一步中，我使用 gsub 将“big data”替换为“bigdata”。但是最后，我希望他们的输出是“大数据”。

提前谢谢帮助。

嗨，我正在使用 Facebook 编写一个小应用程序，通过社交网络对人们进行分组。我面临的主要问题是将相似的文本分组在一起。有些人有教育， Anna University, Guindy而另一些人则认为Anna University。我如何将这些组合在一起？我应该搜索什么算法或术语？

我正在尝试使用 R 将这些文本数据的几行转换为数据框。我无法有效地使用 read.delim。我希望将所有这些行填充到 10 个固定列中，由 : 谢谢。

我正在使用 TF-IDF 查询 Google+ 数据并将数据保存为JSON文件。使用此文件时出现错误。

代码

错误信息

我使用 Python 2.7。

我正在从事社交网络挖掘项目，我正在寻找一个“真正的社交网络数据集”（评论、评论、喜欢、友谊、兴趣、感觉、地点、喜欢的页面、已发布的照片​​、视频、帖子，标签任何东西都是积极的）

我搜索了很多，但所有可用的网络都只是节点和边（如 A 跟随 B）。例如

http://snap.stanford.edu/ 我在推特上搜索，但由于隐私条款，它没有打开 http://an.kaist.ac.kr/traces/WWW2010.html

有人对数据集有建议吗？

我有超过一百万条数据的聊天记录，格式为

现在，我们需要检查与旅行相关的关键字，例如“旅行”或“住宿”或“酒店”等。假设我们已经收集了大约 15 个与旅行相关的关键字。

要求是使用关键字挖掘与旅行相关的聊天消息。如何？

我能想到的解决方案 - 拥有一系列与旅行相关的关键字。然后扫描每个关键字的所有消息（一些字符串匹配算法）。

我认为解决方案是相当蛮力的，关于更有效的搜索算法或设置聊天记录或/和关键字的更多想法？

假设我有一串数字，连字符代表一个空格，定义

我有一组我感兴趣的已知数字，

这意味着我不在乎顺序，12 或 21。我只想知道，是否有一种算法可以找到所有子字符串及其起始位置，无论多长，仅包含 1 和 2（子字符串必须包含 1和 2 并且没有相邻的重复，即你永远不会看到 22 或 11 ）

这意味着如果我用字符串 A 和组 G 运行算法，我会得到类似

如果算法返回一个字典，其中键作为子字符串，键值作为字符串中起始位置的列表。

另一个例子是

算法会产生