LDA 从术语文档矩阵返回数字而不是单词

Question

我正在尝试使用 LDA 函数来评估 R 中的文本语料库。但是，当我这样做时，它似乎使用了观察的行名，而不是语料库中的实际单词。我在网上找不到关于此的任何其他内容，所以我想我一定是在做一些非常基本的错误。

library(tm)
library(SnowballC)
library(tidytext)
library(stringr)
library(tidyr)
library(topicmodels)
library(dplyr)

#read in data
data <- read.csv('CSV_format_data.csv',sep=',')
#Create corpus/DTM
interviews <- as.matrix(data[,2])
ints.corpus <- Corpus(VectorSource(interviews))
ints.dtm <- TermDocumentMatrix(ints.corpus)

chapters_lda <- LDA(ints.dtm, k = 4, control = list(seed = 5421685))
chapters_lda_td <- tidy(chapters_lda,matrix="beta")
chapters_lda_td

head(ints.dtm$dimnames$Terms)

'chapters_lda_td' 命令输出

# A tibble: 4,084 x 3
   topic term        beta
   <int> <chr>      <dbl>
 1     1 1     0.000555  
 2     2 1     0.00399   
 3     3 1     0.000614  
 4     4 1     0.000699  
 5     1 2     0.0000195 
 6     2 2     0.000708  
 7     3 2     0.000731  
 8     4 2     0.00000155
 9     1 3     0.000974  
10     2 3     0.0000363 
# ... with 4,074 more rows

请注意，“术语”列中应该有数字而不是单词。行数匹配文档数乘以主题数，而不是术语数乘以主题数，应该是这样。 'head(ints.dtm$dimnames$Terms)' 用于检查 DTM 中是否确实存在单词，这些单词确实存在。结果是：

[1] "aaye"      "able"      "adjust"    "admission" "after"     "age" 

数据文件本身是一个非常标准的两列 CSV 文件，带有一个 ID 和一个文本块，并且在使用它和 tm 包进行其他文本挖掘工作时没有给我任何问题。任何帮助将不胜感激，谢谢！

Answer 1

我想通了！那是因为我用的是命令

ints.dtm <- TermDocumentMatrix(ints.corpus)

而不是

ints.dtm <- DocumentTermMatrix(ints.corpus)

我猜 Term 和 Document 的顺序会改变它们的 dimnames 顺序，所以 LDA 抓错了。