如何在 RWeka 中实现备份标记器开关？

Question

我正在使用 R-tm-Rweka 包进行一些文本挖掘。我必须提取 ngram，而不是在单个单词上构建 tf-tdm，这对我的目的来说还不够。我用@Ben函数TrigramTokenizer <- function(x) NGramTokenizer(x, Weka_control(min = 2, max = 3)) tdm <- TermDocumentMatrix(a, control = list(tokenize = TrigramTokenizer))
提取三元组。输出有一个明显的错误，见下文。它会选择 4 个、3 个和 2 个单词的短语。理想情况下，它应该只拾取 4 个词的名词短语并删除（3 个和 2 个词）其余部分。我如何强制使用此解决方案，例如 Python NLTK 具有备份标记器选项？

抽象策略->this is incorrect>
抽象策略板->incorrect
抽象策略桌游-> this should be the correct output

埃森哲高管
口音行政简单
口音执行简单评论

非常感谢。

Answer 1

我认为你非常接近你所做的尝试。除了你必须明白你告诉Weka 要做的是捕获 2-gram 和 3-gram 标记；这就是 Weka_control 的指定方式。

相反，我建议在不同的标记器中使用不同的标记大小，并根据您的偏好或决策规则选择或合并结果。

我认为值得在 n-gram wordclouds 上查看 great tutorial。

n-gram 文本挖掘的可靠代码 sn-p 是：

# QuadgramTokenizer ####
QuadgramTokenizer <- function(x) NGramTokenizer(x, Weka_control(min = 4, max = 4)

对于 4 克，

# TrigramTokenizer ####
TrigramTokenizer <- function(x) NGramTokenizer(x, Weka_control(min = 3, max = 3)

对于 3 克，当然

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

对于 2 克。

您可以通过像这样单独运行不同的 gram 大小而不是将 Weka_control 设置为一个范围来避免之前的问题。

您可以像这样应用标记器：

tdm.ng <- TermDocumentMatrix(ds5.1g, control = list(tokenize = BigramTokenizer))
dtm.ng <- DocumentTermMatrix(ds5.1g, control = list(tokenize = BigramTokenizer))

如果您仍有问题，请提供reproducible 示例，我会跟进。