使用 R 中的 findAssocs 查找具有中心词的频繁出现的单词

Question

当我在 R 中使用 findAssocs 时，我意识到该函数实际上并没有拾取与搜索词跨文档一起出现的词，而是在搜索时出现的词词经常出现。

我尝试过使用下面的简单测试脚本：

test <- list("housekeeping bath towel housekeeping room","housekeeping dirty","housekeeping very dirty","housekeeping super dirty")
test <-Corpus(VectorSource(test))
test_dtm<-DocumentTermMatrix(test)
test_dtms<-removeSparseTerms(test_dtm,0.99)

findAssocs(test_dtms,"housekeeping",corlimit = 0.1)

R 的返回结果是：

$housekeeping
 bath  room towel 
    1     1     1 

注意到“dirty”一词出现在 4 个文档中的 3 个中，而返回的关键字在所有文档中只出现一次。

有人知道我的脚本出了什么问题，或者是否有更好的方法来做到这一点？

我想要实现的结果是模型应该在所有文档中而不是在特定文档中反映与搜索词一起频繁出现的词。我尝试将 4 个文档合并为 1 个，但它不起作用，因为 findAssocs 不适用于单个文档。

有什么建议吗？

Answer 1

使用 quanteda 包的替代方案怎么样？它对返回的相关性没有任何神秘限制，并且有许多其他选项（请参阅?similarity）。

require(quanteda)

testDfm <- dfm(unlist(test), verbose = FALSE)
## Document-feature matrix of: 4 documents, 7 features.
## 4 x 7 sparse Matrix of class "dfmSparse"
##        features
## docs    housekeeping bath towel room dirty very super
##   text1            2    1     1    1     0    0     0
##   text2            1    0     0    0     1    0     0
##   text3            1    0     0    0     1    1     0
##   text4            1    0     0    0     1    0     1

similarity(testDfm, "housekeeping", margin = "features")
## similarity Matrix:
## $housekeeping
##   bath   towel    room    very   super   dirty 
## 1.0000  1.0000  1.0000 -0.3333 -0.3333 -1.0000