text2vec 的词干提取功能

Question

我在 R 中使用 text2vec 并且难以编写与 text2vec 包中的 itoken 函数一起使用的词干函数。 text2vec 文档建议使用此词干提取功能：

stem_tokenizer1 =function(x) {
  word_tokenizer(x) %>% lapply(SnowballC::wordStem(language='en'))
 }

但是，此功能不起作用。这是我运行的代码（借用以前的 stackoverflow 答案）：

library(text2vec)
library(data.table)
library(SnowballC)
data("movie_review")
train_rows = 1:1000
prepr = tolower
stem_tokenizer1 =function(x) {
  word_tokenizer(x) %>% lapply(SnowballC::wordStem(language='en'))
 }
tok = stem_tokenizer1
it <- itoken(movie_review$review[train_rows], prepr, tok, ids = movie_review$id[train_rows])

这是它产生的错误：

{ 中的错误：缺少参数“words”，没有默认值

我认为问题在于 wordStem 需要一个字符向量，但 word_tokenizer 会生成一个字符向量列表。

mr<-movie_review$review[1]
stem_mr1<-stem_tokenizer1(mr)

SnowballC::wordStem(language = "en") 中的错误： 缺少参数“words”，没有默认值

为了解决这个问题，我写了这个词干函数：

stem_tokenizer2 = function(x)  {
  list(unlist(word_tokenizer(x)) %>% SnowballC::wordStem(language='en') )
}

但是，此函数不适用于 create_vocabulary 函数。

data("movie_review")
train_rows = 1:1000
prepr = tolower
stem_tokenizer2 = function(x)  {
  list(unlist(word_tokenizer(x)) %>% SnowballC::wordStem(language='en') )
}
tok = stem_tokenizer2
it <- itoken(movie_review$review[train_rows], prepr, tok, ids = movie_review$id[train_rows])
v <- create_vocabulary(it) %>% prune_vocabulary(term_count_min = 5)

没有错误，但是当您查看文档计数时，文档的数量与数据中的 1000 不同，因此您无法创建文档术语矩阵或运行 LDA。

v$document_count

[1] 10

这段代码：

dtm_train <- create_dtm(it, vectorizer)
dtm_train

产生这个错误：

“dgCMatrix”类的 10 x 3809 稀疏矩阵 有效对象（x）中的错误： 无效类“dgCMatrix”对象：长度（Dimnames[1]）与 Dim[1] 不同，即 10

我的问题是：我写的函数有问题吗？为什么我写的函数会在 create_vocabulary 中产生这个错误？我怀疑这是我的函数输出格式的问题，但它看起来与 word_tokenizer 函数的输出格式相同，并且适用于 itoken 和 create_vocabulary：

mr<-movie_review$review[1]
word_mr<-word_tokenizer(mr)
stem_mr<-stem_tokenizer2(mr)
str(word_mr)
str(stem_mr)

Answer 1

感谢您使用text2vec 并报告问题。 文档中有一个错误（你能指出我把这个例子放在哪里，所以我可以修复它吗？）。 词干分词器应如下所示：

stem_tokenizer1 =function(x) {
  word_tokenizer(x) %>% lapply( function(x) SnowballC::wordStem(x, language="en"))
 }

逻辑如下：

1. 它采用字符向量并对其进行标记。输出是列表 字符向量（列表的每个元素 = 字符向量都是一个文档）。
2. 然后我们对列表的每个元素应用词干提取（wordStem 可以应用于字符向量）

因此，在您遵循的示例中，lapply 存在语法错误。 Mb 如果我们在没有%>% 运算符的情况下用纯 R 重写它会更清楚，所以它看起来像：

stem_tokenizer1 =function(x) {
  tokens = word_tokenizer(x)
  lapply(tokens, SnowballC::wordStem, language="en")
}

我还将解释为什么您收到 10 个文档而不是 1000 个。默认情况下 text2vec::itoken 将数据拆分为 10 个块（可以在 itoken 函数中调整）并逐块处理它。 因此，当您在每个块上应用 unlist 时，实际上是递归地取消列出 100 个文档并创建 1 个字符向量。