编辑：新的包text2vec非常好，并且很好地解决了这个问题（以及其他许多问题）。
text2vec on CRAN text2vec on github vignette that illustrates ngram tokenization
我在R中有一个非常大的文本数据集，我已将其作为字符向量导入：
#Takes about 15 seconds
system.time({
set.seed(1)
samplefun <- function(n, x, collapse){
paste(sample(x, n, replace=TRUE), collapse=collapse)
}
words <- sapply(rpois(10000, 3) + 1, samplefun, letters, '')
sents1 <- sapply(rpois(1000000, 5) + 1, samplefun, words, ' ')
})
我可以将此字符数据转换为词袋表示，如下所示：
library(stringi)
library(Matrix)
tokens <- stri_split_fixed(sents1, ' ')
token_vector <- unlist(tokens)
bagofwords <- unique(token_vector)
n.ids <- sapply(tokens, length)
i <- rep(seq_along(n.ids), n.ids)
j <- match(token_vector, bagofwords)
M <- sparseMatrix(i=i, j=j, x=1L)
colnames(M) <- bagofwords
所以R可以在大约3秒钟内将1,000,000,000个短句矢量化为一个单词表示形式（不错！）：
> M[1:3, 1:7]
10 x 7 sparse Matrix of class "dgCMatrix"
fqt hqhkl sls lzo xrnh zkuqc mqh
[1,] 1 1 1 1 . . .
[2,] . . . . 1 1 1
[3,] . . . . . . .
我可以将这个稀疏矩阵抛入glmnet或irlba，并对文本数据做一些非常棒的定量分析。万岁！
现在我想将这个分析扩展到一个袋子矩阵，而不是一个词袋矩阵。到目前为止，我发现这样做的最快方法如下（我在CRAN上找到的所有ngram函数都在这个数据集上被阻塞，所以I got a little help from SO）：
find_ngrams <- function(dat, n, verbose=FALSE){
library(pbapply)
stopifnot(is.list(dat))
stopifnot(is.numeric(n))
stopifnot(n>0)
if(n == 1) return(dat)
pblapply(dat, function(y) {
if(length(y)<=1) return(y)
c(y, unlist(lapply(2:n, function(n_i) {
if(n_i > length(y)) return(NULL)
do.call(paste, unname(as.data.frame(embed(rev(y), n_i), stringsAsFactors=FALSE)), quote=FALSE)
})))
})
}
text_to_ngrams <- function(sents, n=2){
library(stringi)
library(Matrix)
tokens <- stri_split_fixed(sents, ' ')
tokens <- find_ngrams(tokens, n=n, verbose=TRUE)
token_vector <- unlist(tokens)
bagofwords <- unique(token_vector)
n.ids <- sapply(tokens, length)
i <- rep(seq_along(n.ids), n.ids)
j <- match(token_vector, bagofwords)
M <- sparseMatrix(i=i, j=j, x=1L)
colnames(M) <- bagofwords
return(M)
}
test1 <- text_to_ngrams(sents1)
这需要大约150秒（对于纯粹的r函数来说还不错），但我希望更快，并扩展到更大的数据集。
R中是否有非常快的函数用于文本的n-gram矢量化？理想情况下，我正在寻找一个Rcpp函数，它将一个字符向量作为输入，并返回一个文档稀疏矩阵x ngrams作为输出，但也很乐意自己编写Rcpp函数的一些指导。
即使更快版本的find_ngrams功能也会有所帮助，因为这是主要的瓶颈。 R在令牌化方面出人意料地快。
修改1 这是另一个示例数据集：
sents2 <- sapply(rpois(100000, 500) + 1, samplefun, words, ' ')
在这种情况下，我创建一个词袋矩阵的函数大约需要30秒，而我创建一个袋子矩阵的函数大约需要500秒。同样，R中现有的n-gram矢量化器似乎扼杀了这个数据集（虽然我很乐意被证明是错误的！）
编辑2 蒂姆斯vs tau：
zach_t1 <- system.time(zach_ng1 <- text_to_ngrams(sents1))
tau_t1 <- system.time(tau_ng1 <- tau::textcnt(as.list(sents1), n = 2L, method = "string", recursive = TRUE))
tau_t1 / zach_t1 #1.598655
zach_t2 <- system.time(zach_ng2 <- text_to_ngrams(sents2))
tau_t2 <- system.time(tau_ng2 <- tau::textcnt(as.list(sents2), n = 2L, method = "string", recursive = TRUE))
tau_t2 / zach_t2 #1.9295619
答案 0 :(得分：10)
这是一个非常有趣的问题，而且我花了很多时间在 quanteda 包中努力解决这个问题。它涉及三个方面，我将评论，虽然它只是第三个真正解决你的问题。但前两点解释了为什么我只专注于ngram创建功能，因为 - 正如你所指出的那样 - 这就是提高速度的地方。
标记。这里你在空格字符上使用string::str_split_fixed()，这是最快但不是最好的标记方法。我们在quanteda::tokenize(x, what = "fastest word")中实现的几乎完全相同。它并不是最好的，因为 stringi 可以做更多更明智的空白分隔符实现。 （即使字符类\\s更聪明，但稍慢 - 这实现为what = "fasterword"）。你的问题不是关于标记化，所以这一点只是背景。
制表文档要素矩阵。在这里，我们还使用 Matrix 包，索引文档和功能（我称之为功能，而不是术语），并像上面的代码一样直接创建稀疏矩阵。但是，您使用match()要比我们通过 data.table 使用的匹配/合并方法快得多。我将重新编码quanteda::dfm()函数，因为您的方法更优雅，更快。真的，很高兴我看到了这个！
ngram创建。在这里，我认为我可以在性能方面提供帮助。我们通过quanteda::tokenize()的参数在 quanteda 中实现它，名为grams = c(1)，其值可以是任何整数集。例如，我们对unigrams和bigrams的匹配将是ngrams = 1:2。您可以在https://github.com/kbenoit/quanteda/blob/master/R/tokenize.R检查代码，查看内部函数ngram()。我已经在下面复制了这个并制作了一个包装器，以便我们可以直接将它与您的find_ngrams()函数进行比较。
代码：
# wrapper
find_ngrams2 <- function(x, ngrams = 1, concatenator = " ") {
if (sum(1:length(ngrams)) == sum(ngrams)) {
result <- lapply(x, ngram, n = length(ngrams), concatenator = concatenator, include.all = TRUE)
} else {
result <- lapply(x, function(x) {
xnew <- c()
for (n in ngrams)
xnew <- c(xnew, ngram(x, n, concatenator = concatenator, include.all = FALSE))
xnew
})
}
result
}
# does the work
ngram <- function(tokens, n = 2, concatenator = "_", include.all = FALSE) {
if (length(tokens) < n)
return(NULL)
# start with lower ngrams, or just the specified size if include.all = FALSE
start <- ifelse(include.all,
1,
ifelse(length(tokens) < n, 1, n))
# set max size of ngram at max length of tokens
end <- ifelse(length(tokens) < n, length(tokens), n)
all_ngrams <- c()
# outer loop for all ngrams down to 1
for (width in start:end) {
new_ngrams <- tokens[1:(length(tokens) - width + 1)]
# inner loop for ngrams of width > 1
if (width > 1) {
for (i in 1:(width - 1))
new_ngrams <- paste(new_ngrams,
tokens[(i + 1):(length(tokens) - width + 1 + i)],
sep = concatenator)
}
# paste onto previous results and continue
all_ngrams <- c(all_ngrams, new_ngrams)
}
all_ngrams
}
以下是简单文字的比较：
txt <- c("The quick brown fox named Seamus jumps over the lazy dog.",
"The dog brings a newspaper from a boy named Seamus.")
tokens <- tokenize(toLower(txt), removePunct = TRUE)
tokens
# [[1]]
# [1] "the" "quick" "brown" "fox" "named" "seamus" "jumps" "over" "the" "lazy" "dog"
#
# [[2]]
# [1] "the" "dog" "brings" "a" "newspaper" "from" "a" "boy" "named" "seamus"
#
# attr(,"class")
# [1] "tokenizedTexts" "list"
microbenchmark::microbenchmark(zach_ng <- find_ngrams(tokens, 2),
ken_ng <- find_ngrams2(tokens, 1:2))
# Unit: microseconds
# expr min lq mean median uq max neval
# zach_ng <- find_ngrams(tokens, 2) 288.823 326.0925 433.5831 360.1815 542.9585 897.469 100
# ken_ng <- find_ngrams2(tokens, 1:2) 74.216 87.5150 130.0471 100.4610 146.3005 464.794 100
str(zach_ng)
# List of 2
# $ : chr [1:21] "the" "quick" "brown" "fox" ...
# $ : chr [1:19] "the" "dog" "brings" "a" ...
str(ken_ng)
# List of 2
# $ : chr [1:21] "the" "quick" "brown" "fox" ...
# $ : chr [1:19] "the" "dog" "brings" "a" ...
对于你真正大的模拟文本，这里是比较：
tokens <- stri_split_fixed(sents1, ' ')
zach_ng1_t1 <- system.time(zach_ng1 <- find_ngrams(tokens, 2))
ken_ng1_t1 <- system.time(ken_ng1 <- find_ngrams2(tokens, 1:2))
zach_ng1_t1
# user system elapsed
# 230.176 5.243 246.389
ken_ng1_t1
# user system elapsed
# 58.264 1.405 62.889
如果可以进一步改进，我会很高兴。我也应该能够将更快的dfm()方法实施到 quanteda 中，以便您可以通过以下方式获得您想要的内容：
dfm(sents1, ngrams = 1:2, what = "fastestword",
toLower = FALSE, removePunct = FALSE, removeNumbers = FALSE, removeTwitter = TRUE))
（这已经有效，但比你的整体结果慢，因为你创建最终稀疏矩阵对象的方式更快 - 但我会很快改变它。）
答案 1 :(得分：2)
以下是使用tokenizers的开发版本的测试，您可以使用docker run -p 7180:7180 \
--hostname=quickstart.cloudera --privileged=true \
-t -i cloudera/quickstart:latest \
/usr/bin/docker-quickstart
进行测试。
使用上面devtools::install_github("ropensci/tokenizers")，sents1和sents2的定义：
find_ngrams()结果：
library(stringi)
library(magrittr)
library(tokenizers)
library(microbenchmark)
library(pbapply)
set.seed(198)
sents1_sample <- sample(sents1, 1000)
sents2_sample <- sample(sents2, 1000)
test_sents1 <- microbenchmark(
find_ngrams(stri_split_fixed(sents1_sample, ' '), n = 2),
tokenize_ngrams(sents1_sample, n = 2),
times = 25)
test_sents1
测试sents2
Unit: milliseconds
expr min lq mean
find_ngrams(stri_split_fixed(sents1_sample, " "), n = 2) 79.855282 83.292816 102.564965
tokenize_ngrams(sents1_sample, n = 2) 4.048635 5.147252 5.472604
median uq max neval cld
93.622532 109.398341 226.568870 25 b
5.479414 5.805586 6.595556 25 a
结果：
test_sents2 <- microbenchmark(
find_ngrams(stri_split_fixed(sents2_sample, ' '), n = 2),
tokenize_ngrams(sents2_sample, n = 2),
times = 25)
test_sents2
直接检查时间
Unit: milliseconds
expr min lq mean
find_ngrams(stri_split_fixed(sents2_sample, " "), n = 2) 509.4257 521.7575 562.9227
tokenize_ngrams(sents2_sample, n = 2) 288.6050 295.3262 306.6635
median uq max neval cld
529.4479 554.6749 844.6353 25 b
306.4858 310.6952 332.5479 25 a
很多将取决于被标记的文本，但这似乎表明加速2x到20x。