R：在语料库中找到最频繁的词组

Question

有没有一种简单的方法可以在 R 的文本语料库中不仅找到最常用的术语，而且还可以找到表达式（不止一个词，词组）？

使用 tm 包，我可以找到如下最常用的术语：

tdm <- TermDocumentMatrix(corpus)
findFreqTerms(tdm, lowfreq=3, highfreq=Inf)

我可以使用findAssocs() 函数找到与最常用词相关的词，因此我可以手动对这些词进行分组。但是如何才能找到这些词组在语料库中出现的次数呢？

谢谢

Answer 1

如果我没记错的话，你可以使用weka构造一个Bigrams（2个总是一起出现的词）的TermDocumentMatrix，然后根据需要进行处理

library("tm") #text mining
library("RWeka") # for tokenization algorithms more complicated than single-word


BigramTokenizer <- function(x) NGramTokenizer(x, Weka_control(min = 2, max = 2))

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

# process tdm 
# findFreqTerms(tdm, lowfreq=3, highfreq=Inf)
# ...

tdm <- removeSparseTerms(tdm, 0.99)
print("----")
print("tdm properties")
str(tdm)
tdm_top_N_percent = tdm$nrow / 100 * topN_percentage_wanted

或者，

#words combinations that occur at least once together an at most 5 times
wmin=1
wmax = 5

BigramTokenizer <- function(x) NGramTokenizer(x, Weka_control(min = wmin, max = wmax))

有时为了获得“更好”的词组，首先执行词干提取会有所帮助。