在 R tm 包中，从 Document-Term-Matrix 构建语料库

Question

使用 tm 包从语料库构建文档术语矩阵非常简单。 我想从文档术语矩阵构建一个语料库。

令 M 为文档集中的文档数。 设 V 是该文档集的词汇表中的术语数。那么文档术语矩阵是一个 M*V 矩阵。

我还有一个长度为 V 的词汇向量。词汇向量中是由文档术语矩阵中的索引表示的单词。

从 dtm 和词汇向量，我想构造一个“语料库”对象。这是因为我想阻止我的文档集。我手动构建了我的 dtm 和 vocab - 即从来没有代表我的数据集的 tm“语料库”对象，所以我不能使用该函数，

tm_map(corpus, stemDocument, language="english")

我一直在尝试构建一种解决方法，在其中我提取词汇表并只保留唯一的单词，但是尝试保持 dtm 和词汇向量之间的对应关系会变得有些复杂。

理想情况下，最终结果是我的词汇向量是词干化的，并且只包含唯一条目，并且 dtm 索引对应于词干化词向量向量。如果您能想到其他方法来做到这一点，我也将不胜感激。

如果我可以简单地从我的 dtm 和词汇向量构建一个 tm“语料库”，对语料库进行词干化，然后转换回 dtm 和词汇向量（我已经知道如何进行这些转换），那么我的麻烦就会得到解决。

如果我能进一步澄清问题，请告诉我。

Answer 1

这是提供我自己的minimal reproducible example 的方法（作为新用户，您可能不知道这是您的责任），来自tm 包：

## Minimal Reproducible Example
library(tm)
data("crude")
dtm <- DocumentTermMatrix(crude,
    control = list(weighting =
    function(x)
        weightTfIdf(x, normalize = FALSE),
        stopwords = TRUE))

## Convert tdm to a list of text
dtm2list <- apply(dtm, 1, function(x) {
    paste(rep(names(x), x), collapse=" ")
})

## convert to a Corpus
myCorp <- VCorpus(VectorSource(dtm2list))
inspect(myCorp)

## Stemming
myCorp <- tm_map(myCorp, stemDocument)
inspect(myCorp)