如何找出R中某一特定项与udpipe的共生关系？

Question

我是个新手，我认为它在社会科学方面有很大的潜力。

我目前的一个项目是研究新闻文章是如何写关于网络和网络的(也就是人，而不是计算机网络)。为此，我从一个荷兰网站上收集了500篇文章，搜索字符串为“网络”，以获取关于灵活经济的新闻(这是新闻的主要来源，也是关于自营职业的主要新闻来源)。数据是荷兰提供的，但这与我的问题无关。

我喜欢用udpipe，是为了找出名词"netwerk“或动词"netwerken”是在什么语境中使用的。我尝试过kwic (从quanteda)获得这个信息，但这给了我“发生这种情况的窗口”。

我想使用引理(netwerk/netwerken)和共现运算符，但没有指定第二个项，只限于这个特定引理，而不是计算所有的共现。

这有可能吗?怎么可能？一个正常的语言例子:在我的网络中，我通过Facebook ->联系很多人，我想让网络和联系(动词)共存，我发现我的大多数客户通过我的网络->在这里我希望“我的网络”+“找到我的客户”。

任何帮助都是非常感谢的！

Answer 1

看上去，“背景”比克瓦茨更有意义。如果句子层次、引理和限制字型足够，就应该是比较直接的。Udpipe也有荷兰型号可供预建。

#install.packages("udpipe")
library(udpipe)
#dl <- udpipe_download_model(language = "english")
# Check the name on download result
udmodel_en <- udpipe_load_model(file = "english-ud-2.0-170801.udpipe")

# Single and multisentence samples
txt <- c("Is this possible, and how? A normal language example: In
my network, I contact a lot of people through Facebook -> I would like to get co-occurrence of
network and contact (a verb) I found most of my clients through my network")
txtb <- c("I found most of my clients through my network")
x <- udpipe_annotate(udmodel_en, x = txt)
x <- as.data.frame(x)
xb <- udpipe_annotate(udmodel_en, x = txtb)
xb <- as.data.frame(xb)

# Raw preview
table(x$sentence[x$lemma == 'network'])

# Use x or xb here 
xn <- udpipe_annotate(udmodel_en, x = x$sentence[x$lemma == 'network'])
xdf <- as.data.frame(xn)

# Reduce noise and group by sentence ~ doc_id to table
df_view = subset(xdf, xdf$upos %in% c('PRON','NOUN','VERB','PROPN'))
library(tidyverse)
df_view %>% group_by(doc_id) %>% 
summarize(lemma = paste(sort(unique(lemma)),collapse=", "))

在快速测试中，预先建立的模型将网络和网络定义为独立的根引理，因此一些粗糙的树干可能会更好地工作。然而，我确实确保了在句子中包含网络创造了新的匹配。

                    I found most of my clients through my network 
                                                                1 
I would like to get co-occurrence of network and contact (a verb) 
                                                                1 
     In my network, I contact a lot of people through Facebook -> 
                                                                1 
A tibble: 3 × 2
doc_id  lemma
<chr>   <chr>
doc1    contact, Facebook, I, lot, my, network, people
doc2    co-occurrence, contact, get, I, like, network, verb
doc3    client, find, I, my, network

通过匹配引理索引，也完全可以找到前面和后面的单词作为上下文，但这更接近kwic所做的事情。我没有包括动态的、共现的列表和排序，但是我想，当上下文词被提取出来时，它应该是相当琐碎的部分。我认为它可能需要一些停止词等，但随着更大的数据，这些应该变得更加明显。