我是新来的,我的问题是数学而不是编程本质,我希望得到关于我的方法是否有意义的第二意见.
我试图使用tm包中的函数findAssocs在我的语料库中找到单词之间的关联.尽管它似乎在通过该软件包提供的数据上表现得相当不错,例如纽约时报和美国国会,但我对它在我自己的,不那么整洁的数据集上的表现感到失望.看起来很容易被稀有文件扭曲,这些文件包含几个相同单词的重复,这似乎在它们之间产生了强烈的联系.我发现余弦测量可以更好地描述这些术语的相关性,即使基于文献,它也只是用来衡量文档的相似性而不是术语.让我们使用RTextTools包中的USCongress数据来演示我的意思:
首先,我会把一切都搞定……
data(USCongress)
text = as.character(USCongress$text)
corp = Corpus(VectorSource(text))
parameters = list(minDocFreq = 1,
wordLengths = c(2,Inf),
tolower = TRUE,
stripWhitespace = TRUE,
removeNumbers = TRUE,
removePunctuation = TRUE,
stemming = TRUE,
stopwords = TRUE,
tokenize = NULL,
weighting = function(x) weightSMART(x,spec="ltn"))
tdm = TermDocumentMatrix(corp,control=parameters)
假设我们有兴趣调查“政府”与“外国”之间的关系:
# Government: appears in 37 docs and between then it appears 43 times
length(which(text %like% " government"))
sum(str_count(text,"government"))
# Foreign: appears in 49 document and between then it appears 56 times
length(which(text %like% "foreign"))
sum(str_count(text,"foreign"))
length(which(text[which(text %like% "government")] %like% "foreign"))
# together they appear 3 times
# looking for "foreign" and "government"
head(as.data.frame(findAssocs(tdm,"foreign",0.1)),n=10)
findAssocs(tdm, "foreign", 0.1)
countri 0.34
lookthru 0.30
tuberculosi 0.26
carryforward 0.24
cor 0.24
malaria 0.23
hivaid 0.20
assist 0.19
coo 0.19
corrupt 0.19
# they do not appear to be associated
现在让我们添加另一个包含“外国政府”重复50次的文件:
text[4450] = gsub("(.*)",paste(rep("\\1",50),collapse=" "),"foreign government")
corp = Corpus(VectorSource(text))
tdm = TermDocumentMatrix(corp,control=parameters)
#running the association again:
head(as.data.frame(findAssocs(tdm,"foreign",0.1)),n=10)
findAssocs(tdm, "foreign", 0.1)
govern 0.30
countri 0.29
lookthru 0.26
tuberculosi 0.22
cor 0.21
carryforward 0.20
malaria 0.19
hivaid 0.17
assist 0.16
coo 0.16
正如您所看到的,现在它是一个不同的故事,这一切都归结为单个文档.
在这里,我想做一些非常规的事情:使用余弦来找到位于文档空间中的术语之间的相似性.这种方法往往用于找出文档之间的相似性而不是术语,但我认为没有理由不能用它来找到单词之间的相似性.在传统意义上,文档是向量,而术语是轴,我们可以根据这些文档之间的角度检测它们的相似性.但术语文档矩阵是文档术语矩阵的转置,同样,我们可以在文档空间中设置术语,即让您的文档成为轴,将术语称为可以测量角度的矢量.它似乎没有与简单相关性相同的缺点:
cosine(as.vector(tdm["government",]),as.vector(tdm["foreign",]))
[,1]
[1,] 0
除此之外,这两项措施似乎非常相似:
tdm.reduced = removeSparseTerms(tdm,0.98)
Proximity = function(tdm){
d = dim(tdm)[1]
r = matrix(0,d,d,dimnames=list(rownames(tdm),rownames(tdm)))
for(i in 1:d){
s = seq(1:d)[-c(1:(i-1))]
for(j in 1:length(s)){
r[i,s[j]] = cosine(as.vector(tdm[i,]),as.vector(tdm[s[j],]))
r[s[j],i] = r[i,s[j]]
}
}
diag(r) = 0
return(r)
}
rmat = Proximity(tdm.reduced)
# findAssocs method
head(as.data.frame(sort(findAssocs(tdm.reduced,"fund",0),decreasing=T)),n=10)
sort(findAssocs(tdm.reduced, "fund", 0), decreasing = T)
use 0.11
feder 0.10
insur 0.09
author 0.07
project 0.05
provid 0.05
fiscal 0.04
govern 0.04
secur 0.04
depart 0.03
# cosine method
head(as.data.frame(round(sort(rmat[,"fund"],decreasing=T),2)),n=10)
round(sort(rmat[, "fund"], decreasing = T), 2)
use 0.15
feder 0.14
bill 0.14
provid 0.13
author 0.12
insur 0.11
state 0.10
secur 0.09
purpos 0.09
amend 0.09
令人惊讶的是,我没有看到余弦被用来检测术语之间的相似性,这让我想知道我是否错过了一些重要的东西.也许这种方法在我没有的方面存在缺陷.所以对我所做的任何想法都会非常感激.
如果你已经做到这一点,感谢阅读!!
干杯
最佳答案 如果我理解你的查询(我认为应该在堆栈交换上).我认为问题是findAssocs中的术语距离是使用欧几里德测量.因此,文字只是双倍的单词变成异常值,并且在距离测量中被认为有很大不同.
切换到余弦作为文档的度量被广泛使用,所以我怀疑术语也可以.我喜欢用余弦来聚类文档的skmeans包.球形K-Means将直接接受TDM并与单位长度保持余弦距离.
这个video在~11m处显示它以防你不知道.
希望这有点帮助……最后我相信余弦是可以接受的.