R中的主题建模:基于预先定义的术语列表构建主题

Question

我花了几天时间研究R中的主题模型，我想知道我是否可以做以下工作：

我希望R基于一个预定义的具有特定术语的术语列表构建主题。我已经使用这个列表来识别文档中的ngram (RWeka)，并使用以下代码只计算在我的术语列表中出现的术语：

terms=read.delim("TermList.csv", header=F, stringsAsFactor=F)

biTok=function(x) NGramTokenizer(x, Weka_control(min=1, max=4))

tdm=TermDocumentMatrix(data.corpus, control=list(tokenizer=biTok))

现在，我想再次使用这个列表来搜索文档中的主题，只基于我的术语列表中的术语。

在下面这句话中：“这些安排使团队绩效更高，用户满意度更好”，我希望在主题中使用“团队绩效”和“用户满意度”这两个复合术语，而不是将“团队”、“绩效”、“用户”和“满意”作为单一术语来处理，并在它们之上构建主题。这就是我需要使用预定义列表的原因。

是否有可能在R中定义这样一个条件？

Answer 1

也许是这样的？

tokenizing.phrases <- c("team performance", "user satisfaction") # plus your others you have identified

然后加载此函数：

phraseTokenizer <- function(x) {
  require(stringr)

  x <- as.character(x) # extract the plain text from the tm TextDocument object
  x <- str_trim(x)
  if (is.na(x)) return("")
  #warning(paste("doing:", x))
  phrase.hits <- str_detect(x, ignore.case(tokenizing.phrases))

  if (any(phrase.hits)) {
    # only split once on the first hit, so we don't have to worry about multiple occurences of the same phrase
    split.phrase <- tokenizing.phrases[which(phrase.hits)[1]] 
    # warning(paste("split phrase:", split.phrase))
    temp <- unlist(str_split(x, ignore.case(split.phrase), 2))
    out <- c(phraseTokenizer(temp[1]), split.phrase, phraseTokenizer(temp[2])) 
  } else {
    out <- MC_tokenizer(x)
  }

  # get rid of any extraneous empty strings, which can happen if a phrase occurs just before a punctuation
  out[out != ""]
}

然后使用预定义的tokeninzing.phrases创建术语文档矩阵：

tdm <- TermDocumentMatrix(corpus, control = list(tokenize = phraseTokenizer)) 

然后，当您运行主题模型函数时，它应该与您标识为模型一部分的大图一起工作(尽管根据您所识别的内容列出了更长的列表)。