R手册(NLP)--text2vec

text2vec 这个 R 包提供了高性能和简洁的 API 来进行文本分析、自然语言处理。

分词器

word_tokenizer(strings) 英语分词器
jieba<-jiebaR::worker()中文分词器

#RUN THIS EXAMPLE:
jieba<-jiebaR::worker()
tok_fun <-function(strings) 
  llply(strings, segment, jieba)

I/O 处理(迭代器)：支持create_<type>函数

#RUN THIS EXAMPLE:
itoken(strings, 
 preprocessor = identity,       #预处理函数集（去空格，去数字等）
 tokenizer = space_tokenizer,   #分词器
 progressbar = interactive())   #进度条
it_train <- itoken(doc, tokenizer = tok_fun)

向量化

• 创建词汇表：(N-grams参数)

#RUN THIS EXAMPLE:
stop_words <- c("在", "又", "你" )       #停止词创建
vocab <- create_vocabulary(it_train, stopwords = stop_words)

• 修剪词汇：

prune_vocabulary(vocabulary,  #词汇表
 term_count_min = 1L,         #最小次数
 term_count_max = Inf, 
 doc_proportion_min = 0,      #最小比例
 doc_proportion_max = 1,
 max_number_of_terms = Inf)

#RUN THIS EXAMPLE:
pruned_vocab <- prune_vocabulary(vocab,term_count_min = 10,doc_proportion_max = 0.5,doc_proportion_min = 0.001)

• 词汇向量化：vocab_vectorizer() , hash_vectorizer()

vectorizer <- vocab_vectorizer(pruned_vocab)

• DTM,TCM: (Document-Term matrices, Term co-occurence matrices)

dtm_train <- create_dtm(it_train, vectorizer)
tcm_train <- create_tcm(it_train, vectorizer)

主题模型

• 处理模型的统一规范

model$new(...)生成一个模型对象，设置初始化参数。
model$fit(x, ...)拟合模型
model$fit_transform(x, ...)拟合模型并转换数据
model$transform(x_new, ...)使用已经训练好的模型转换数据

Tf-idf 转换，Global Vectors (GloVe) 词向量

• 常用模型

LSA$new()潜在语义分析(LSA)
LDA$new()潜在Dirichlet分配模型(LDA)

• 文档相似性和距离（不相似性）

sim2(x, y, method)矩阵x和y，每一行的使用指定方法的相似性
dist2(x, y, method)矩阵x和y，每一行的使用指定方法的距离
psim2(x, y, method), dist2(x, y, method)并行计算

参数method：“cosine”, “euclidean”, “jaccard”
余弦距离，欧式距离，Jaccard距离，RelaxedWordMover’sDistance