本节书摘来自华章出版社《R语言数据挖掘》一书中的第1章,第1.5节,作者[哈萨克斯坦]贝特·麦克哈贝尔(Bater Makhabel),李洪成 许金炜 段力辉 译,更多章节内容可以访问云栖社区“华章计算机”公众号查看。
1.5 文本挖掘
文本挖掘基于文本数据,关注从大型自然语言文本中提取相关信息,并搜寻有意义的关系、语法关系以及提取实体或各项之间的语义关联。它也被定义为自动或半自动的文本处理。相关的算法包括文本聚类、文本分类、自然语言处理和网络挖掘。
文本挖掘的特征之一是数字与文本混合,或者用其他的观点来说,就是源数据集中包含了混合数据类型。文本通常是非结构化文件的集合,这将被预处理并变换成数值或者结构化的表示。在变换之后,大部分的数据挖掘算法都可以应用,并具有不错的效果。
文本挖掘的过程描述如下:
第一步准备文本语料库,包括报告、信函等。
第二步基于文本语料库建立一个半结构化的文本数据库。
第三步建立一个词语文档矩阵,包含词语的频率。
第四步进行进一步的分析,比如文本分析、语义分析、信息检索和信息总结。
1.5.1 信息检索和文本挖掘
信息检索帮助用户查找信息,经常与在线文档相关联,它着重于信息的获取、组织、存储、检索和分布。信息检索(Information Retrieval,IR)的任务是根据查询检索有关的文档。信息检索的基本技术是测量相似性。其基本步骤如下所述:
指定一个查询。下面是一些查询类型:
关键词查询(keyword query):由一个关键词列表表示,用来查找包含至少一个关键词的文档。
布尔查询(boolean query):由布尔运算符和关键词构建的查询。
短语查询(phrase query):由组成短语的一系列词语所构成的查询。
近邻查询(proximity query):短语查询的降级版本,它可以是关键词和短
语的组合。
全文档查询(full document query):一个完整文档的查询,用于寻找类似于查询文档的其他文档。
自然语言问题(natural language questions):该查询有助于将用户的需求表示成一个自然语言问题。
搜索文档集。
返回相关文档的子集。
1.5.2 文本挖掘预测
预测文本的结果与预测数值数据挖掘一样耗力,并且有与数值分类相关联的相似问题。文本挖掘预测通常是一个分类问题。
文本预测需要先验知识,通过样本了解如何对新文档做出预测。一旦文本变换成数值数据,就可以应用预测方法。