R：在语料库中找到最常见的单词组

Question

在R中的文本语料库中，是否有一种简单的方法可以找到最常用的术语，还有表达式（因此不止一个单词，单词组）？

使用tm包，我可以找到最常见的术语：

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

我可以使用findAssocs()函数找到最常用单词的相关单词，因此我可以手动对这些单词进行分组。但是如何在语料库中找到这些单词组的出现次数？

THX

Answer 1

如果我没记错的话，你可以使用weka构建一个Bigrams的TermDocumentMatrix（总共出现两个单词），然后根据需要处理它们

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

可替换地，

#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))

有时候首先执行单词干预有助于获得更好的＆＃34;单词组。