Question

我正在尝试训练支持向量机以帮助检测字符串之间的相似性。我的训练数据包含两个文本字段和第三个字段，其中包含0或1以表示相似性。最后一个字段是在编辑距离操作的帮助下计算的。我知道在继续之前我需要将两个文本字段转换为数值。我希望找出实现这个目标的最佳方法是什么？

训练数据如下：

ID          MAKTX_Keyword       PH_Level_04_Keyword   Result
266325638   AMLODIPINE          AMLODIPINE              0
724712821   IRBESARTANHCTZ      IRBESARTANHCTZ          0
567428641   RABEPRAZOLE         RABEPRAZOLE             0
137472217   MIRTAZAPINE         MIRTAZAPINE             0
175827784   FONDAPARINUX        ARIXTRA                 1
456372747   VANCOMYCIN          VANCOMYCIN              0
653832438   BRUFEN              IBUPROFEN               1
917575539   POTASSIUM           POTASSIUM               0
222949123   DIOSMINHESPERIDIN   DIOSMINHESPERIDIN       0
892725684   IBUPROFEN           IBUPROFEN               0

我一直在试验 text2vec 库，using this useful vignette作为指南。在这样做时，我可以说是向量空间中的一个字段。

但是如何使用此库同时管理两个文本字段？
我应该将两个字符串字段连接成一个字段吗？
text2vec 是最好的方法吗？

将用于管理其中一个字段的代码：

library(text2vec)
library(data.table)

preproc_func = tolower
token_func = word_tokenizer

it_train = itoken(Train_PRDHA_String.df$MAKTX_Keyword, 
                  preprocessor = preproc_func, 
                  tokenizer = token_func, 
                  ids = Train_PRDHA_String.df$ID, 
                  progressbar = TRUE)
vocab = create_vocabulary(it_train)

vectorizer = vocab_vectorizer(vocab)
t1 = Sys.time()
dtm_train = create_dtm(it_train, vectorizer)
print(difftime(Sys.time(), t1, units = 'sec'))

dim(dtm_train)
identical(rownames(dtm_train), Train_PRDHA_String.df$id)

Answer 1

将文档嵌入同一空间的一种方法是从两列中学习词汇：

preproc_func = tolower
token_func = word_tokenizer
union_txt = c(Train_PRDHA_String.df$MAKTX_Keyword, Train_PRDHA_String.df$PH_Level_04_Keyword)
it_train = itoken(union_txt, 
                  preprocessor = preproc_func, 
                  tokenizer = token_func, 
                  ids = Train_PRDHA_String.df$ID, 
                  progressbar = TRUE)
vocab = create_vocabulary(it_train)
vectorizer = vocab_vectorizer(vocab)

it1 = itoken(Train_PRDHA_String.df$MAKTX_Keyword, preproc_func, 
             token_func, ids = Train_PRDHA_String.df$ID)
dtm_train_1 = create_dtm(it1, vectorizer)

it2 = itoken(Train_PRDHA_String.df$PH_Level_04_Keyword, preproc_func, 
             token_func, ids = Train_PRDHA_String.df$ID)
dtm_train_2 = create_dtm(it2, vectorizer)

之后，您可以将它们组合成一个矩阵：

dtm_train = cbind(dtm_train_1, dtm_train_2)

但是，如果您想解决重复检测问题，我建议将char_tokenizer与ngram > 1一起使用（比如ngram = c(3, 3)）。并查看优秀的stringdist包。我想你收到了Result一些手工人工作品。因为如果它只是编辑距离，算法将最多学习编辑距离如何工作。

如何在R Studio中将文本字段转换为SVM的数字/向量空间？

1 个答案: