RWeka删除稀疏项

Question

我正在使用RWeka创建一个三元模型和四元模型。我注意到三元组有一个奇怪的行为

TrigramTokenizer <- function(x) NGramTokenizer(x, Weka_control(min = 3, max = 3))
tdm <- TermDocumentMatrix(docs, control = list(tokenize = TrigramTokenizer))

> dim(tdm)
[1] 1540099       3

> tdm
<<TermDocumentMatrix (terms: 1540099, documents: 3)>>
 Non-/sparse entries: 1548629/3071668
 Sparsity           : 66%
 Maximal term length: 180
Weighting          : term frequency (tf)

当我删除稀疏项时，它会将上面的大约100万行缩减为8307行

 > b <- removeSparseTerms(tdm, 0.66) 
 > dim(b)
 [1] 8307    3

因为移除四元组完全不会影响它

 quadgramTokenizer <- function(x) NGramTokenizer(x, Weka_control(min = 4, max = 4))
  tdm <- TermDocumentMatrix(docs, control = list(tokenize = QuadgramTokenizer))

 <<TermDocumentMatrix (terms: 1427403, documents: 3)>>
 Non-/sparse entries: 1427936/2854273
 Sparsity           : 67%
 Maximal term length: 185
 Weighting          : term frequency (tf)
> dim(tdm)
[1] 1427403       3
> tdm <- removeSparseTerms(tdm, 0.67)
> dim(tdm)
[1] 1427403       3

在删除稀疏术语后有100万个项目。

这看起来不太对劲。

如果我做错了什么，请让我知道

关于Ganesh

Answer 1

这很奇怪。一种合乎逻辑的行为是，删除稀疏术语将在这两种情况下删除大量内容，因为三文法和四文法是不太常见的单文法。您的会话中是否有其他QuadgramTokenizer对象？您的原始函数是用一个小的"q“quadgramTokenize调用的。但是我想知道为什么它没有显示一个错误，它可能认为它是空的？我想一定是这么简单的事情。检查一下，如果没有，我将用一个数据样本运行它，看看这里可能出了什么问题。