创建文档术语矩阵,在R中使用N-Grams
我正在使用“tm”包在R中创建DocumentTermMatrix。它对一个gram很有效,但我正在尝试使用tm包和“tokenizers”包中的tokenize_ngrams函数创建一个N个gram的DocumentTermMatrix(目前为N=3)。 但是我不能创造它 我寻找可能的解决办法,但没有得到多少帮助。 出于隐私原因,我无法共享数据。 这是我尝试过的创建文档术语矩阵,在R中使用N-Grams,r,nlp,tokenize,tm,n-gram,R,Nlp,Tokenize,Tm,N Gram,我正在使用“tm”包在R中创建DocumentTermMatrix。它对一个gram很有效,但我正在尝试使用tm包和“tokenizers”包中的tokenize_ngrams函数创建一个N个gram的DocumentTermMatrix(目前为N=3)。 但是我不能创造它 我寻找可能的解决办法,但没有得到多少帮助。 出于隐私原因,我无法共享数据。 这是我尝试过的 library(tm) library(tokenizers) 数据是一个数据框,大约有4.5k行和2列,即“doc_id”和
library(tm)
library(tokenizers)
数据是一个数据框,大约有4.5k行和2列,即“doc_id”和“text”
用于n-gram标记化的自定义函数:
ngram_tokenizer = function(x){
temp = tokenize_ngrams(x, n_min = 1, n = 3, stopwords = FALSE, ngram_delim = "_")
return(temp)
}
DTM创建的控制列表:1克 用于N-gram标记化
control_list_ngram = list(tokenize = ngram_tokenizer,
removePunctuation = FALSE,
removeNumbers = FALSE,
stopwords = stopwords("english"),
tolower = T,
stemming = T,
weighting = function(x)
weightTf(x)
)
dtm_unigram = DocumentTermMatrix(data_corpus, control_list_unigram)
dtm_ngram = DocumentTermMatrix(data_cropus, control_list_ngram)
dim(dtm_unigram)
dim(dtm_ngram)
两个dtm的尺寸相同。请纠正我 不幸的是,tm有一些令人讨厌的怪癖,而且并不总是很清楚。首先,标记化在corpera创建的
语料库上似乎不起作用。为此,您需要使用VCorpus
因此,将行data\u corpus=corpus(DataframeSource(data))
更改为data\u corpus=VCorpus(DataframeSource(data))
这是一个需要解决的问题。现在语料库将用于标记化,但现在您将遇到标记化\u ngrams
的问题。您将得到以下错误:
Input must be a character vector of any length or a list of character
vectors, each of which has a length of 1.
当您运行这一行时:dtm\u ngram=DocumentTermMatrix(数据、控制、列表)
为了解决这个问题,并且不依赖于标记器包,您可以使用以下函数来标记数据
NLP_tokenizer <- function(x) {
unlist(lapply(ngrams(words(x), 1:3), paste, collapse = "_"), use.names = FALSE)
}
就我个人而言,我会使用该软件包来完成所有这些工作。但现在这应该对你有帮助。我也在寻找类似的东西。到目前为止,我还没有使用Quanteda,但我肯定会更多地探索Quanteda。谢谢你的帮助!
Input must be a character vector of any length or a list of character
vectors, each of which has a length of 1.
NLP_tokenizer <- function(x) {
unlist(lapply(ngrams(words(x), 1:3), paste, collapse = "_"), use.names = FALSE)
}
control_list_ngram = list(tokenize = NLP_tokenizer,
removePunctuation = FALSE,
removeNumbers = FALSE,
stopwords = stopwords("english"),
tolower = T,
stemming = T,
weighting = function(x)
weightTf(x)
)