在R text2vec中绘制文档剪枝对文本语料库的影响

Question

在text2vec包中应用prune_vocabulary后，是否可以检查语料库中还剩下多少文档？

下面是一个获取数据集和修剪词汇表的示例

library(text2vec)
library(data.table)
library(tm)

#Load movie review dataset
data("movie_review")
setDT(movie_review)
setkey(movie_review, id)
set.seed(2016L)

#Tokenize
prep_fun = tolower
tok_fun = word_tokenizer
it_train = itoken(movie_review$review, 
              preprocessor = prep_fun, 
              tokenizer = tok_fun, 
              ids = movie_review$id, 
              progressbar = FALSE)


#Generate vocabulary
vocab = create_vocabulary(it_train
                      , stopwords = tm::stopwords())

#Prune vocabulary
#How do I ascertain how many documents got kicked out of my training set because of the pruning criteria?
pruned_vocab = prune_vocabulary(vocab, 
                            term_count_min = 10, 
                            doc_proportion_max = 0.5,
                            doc_proportion_min = 0.001)

# create document term matrix with new pruned vocabulary vectorizer
vectorizer = vocab_vectorizer(pruned_vocab)
dtm_train  = create_dtm(it_train, vectorizer)

有没有一种简单的方法来理解term_count_min和doc_proportion_min参数对我的文本语料库的影响程度。我正在尝试做一些类似于stm包让我们使用plotRemoved函数来处理这件事的事情，该函数会生成如下所示的图：

​

​

Answer 1

vocab $vocab是一个包含大量关于语料库的统计信息的data.table。带有term_count_min，doc_proportion_min参数的prune_vocabulary只过滤这个data.table。例如，以下是如何计算已删除令牌数的方法：

total_tokens = sum(v$vocab$terms_counts)
total_tokens
# 1230342
# now lets prune
v2 = prune_vocabulary(v, term_count_min = 10)
total_tokens - sum(v2$vocab$terms_counts)
# 78037
# effectively this will remove 78037 tokens

另一方面，您可以使用不同的词汇表创建文档术语矩阵，并使用colMeans(), colSums(), rowMeans(), rowSums()等Matrix包中的函数检查不同的统计数据。我相信您可以获得上面的任何指标。

例如，下面是如何查找空文档的方法：

doc_word_count = Matrix::rowSums(dtm)
indices_empty_docs = which(doc_word_count == 0)