Question

我在R中使用text2vec并且难以编写与text2vec包中的itoken函数一起使用的词干函数。 text2vec文档建议了这个词干功能：

stem_tokenizer1 =function(x) {
  word_tokenizer(x) %>% lapply(SnowballC::wordStem(language='en'))
 }

但是，此功能不起作用。这是我运行的代码（借用之前的stackoverflow答案）：

library(text2vec)
library(data.table)
library(SnowballC)
data("movie_review")
train_rows = 1:1000
prepr = tolower
stem_tokenizer1 =function(x) {
  word_tokenizer(x) %>% lapply(SnowballC::wordStem(language='en'))
 }
tok = stem_tokenizer1
it <- itoken(movie_review$review[train_rows], prepr, tok, ids = movie_review$id[train_rows])

这是它产生的错误：

错误{：参数“字”缺少，没有默认

我认为问题是wordStem需要一个字符向量，但是word_tokenizer会产生一个字符向量列表。

mr<-movie_review$review[1]
stem_mr1<-stem_tokenizer1(mr)

SnowballC :: wordStem（language =“en”）中的错误：参数“words”缺失，没有默认

为了解决这个问题，我编写了这个词干功能：

stem_tokenizer2 = function(x)  {
  list(unlist(word_tokenizer(x)) %>% SnowballC::wordStem(language='en') )
}

但是，此函数不适用于create_vocabulary函数。

data("movie_review")
train_rows = 1:1000
prepr = tolower
stem_tokenizer2 = function(x)  {
  list(unlist(word_tokenizer(x)) %>% SnowballC::wordStem(language='en') )
}
tok = stem_tokenizer2
it <- itoken(movie_review$review[train_rows], prepr, tok, ids = movie_review$id[train_rows])
v <- create_vocabulary(it) %>% prune_vocabulary(term_count_min = 5)

没有错误，但是当您查看文档计数时，文档数量与数据中的1000不同，因此您无法创建文档术语矩阵或运行LDA。

v$document_count

[1] 10

此代码：

dtm_train <- create_dtm(it, vectorizer)
dtm_train

产生此错误：

10 x 3809稀疏矩阵类“dgCMatrix” validObject（x）中的错误：无效的类“dgCMatrix”对象：length（Dimnames [1]）与Dim [1]不同，后者为10

我的问题是：我写的函数有什么问题，为什么我写的函数会用create_vocabulary产生这个错误？我怀疑它是我的函数输出格式的问题，但它看起来与word_tokenizer函数的输出格式相同，并且使用itoken和create_vocabulary效果很好：

mr<-movie_review$review[1]
word_mr<-word_tokenizer(mr)
stem_mr<-stem_tokenizer2(mr)
str(word_mr)
str(stem_mr)

Answer 1

感谢您使用text2vec并报告问题。文档中有一个错误（你能指出我放这个例子的地方，所以我可以解决它吗？）。词干标记符应该如下所示：

stem_tokenizer1 =function(x) {
  word_tokenizer(x) %>% lapply( function(x) SnowballC::wordStem(x, language="en"))
 }

逻辑如下：

它采用字符向量并对其进行标记。输出是列表字符向量（列表的每个元素=字符向量是文档）。
然后我们对列表的每个元素应用词干（wordStem可以应用于字符向量）

因此，在您遵循的示例中，lapply存在语法错误。 Mb如果我们在普通R中没有%>%运算符的情况下重写它会更清楚，所以它看起来像：

stem_tokenizer1 =function(x) {
  tokens = word_tokenizer(x)
  lapply(tokens, SnowballC::wordStem, language="en")
}

我还将解释为什么你要接收10个文件而不是1000个。默认情况下text2vec::itoken将数据拆分成10个块（这可以在itoken函数中调整）并按块处理它。因此，当您在每个块上应用unlist时，您实际上是递归地取消列出100个文档并创建1个字符向量。

text2vec

1 个答案: