如何在R中删除文档后获取根和单词之间的列表？

Question

我正在进行文本挖掘项目，我们希望按体育对变量进行分类（是一个描述体育的自由文本变量）。出于这个原因，我想阻止它。我想检查根和单词之间的关系是否正确，所以我想知道哪些根包含哪些单词。我在R工作，有人可以帮我吗？

删除puntuation，数字，额外的空格后，我正在做：

library(tm)
myData <- c('natacion gimnasio','gimnasia montana','correr bicicleta','corremontanismo','nadar bici')
corpus <- Corpus(VectorSource(myData))
dictCorpus <- corpus
corpus <- tm_map(corpus, stemDocument, language = "spanish")
inspect(corpus[1:5])
corpus <- tm_map(corpus, stemCompletion, dictionary=dictCorpus)
inspect(corpus[1:5])

然后我有：

我有3个问题，我不知道如何解决它：

1. 带有词根之间关系的列表（例如：root = gimnasi; words = gimnasio，gimnasia | root = montan; words = montana，montanismo）。我希望看到每个根与其相关词的关系。
2. 如何进行正确的匹配（bicicleta == bici，但是stemDocument没有连接它们）。
3. 在应用stemCompletion时更改单词的根目录。

提前致谢。

Answer 1

我对你的所有问题都没有完整的答案。但我会尽可能多地回答。

1）您可以访问雪球网站Spanish stemming algorithm。

西班牙语样本列表为here

对应的根是here

匹配这些文件将为您提供根和单词之间的关系。

2）在bici和bicicleta之间获得正确匹配很困难。它们没有相同的引理或根。您需要一个同义词词典来帮助您。

3）返回单词而不是root是有趣的，但西班牙语有男性和女性版本。如果我看看gimnasio / gimnasia的引理，它们就是gimnasio和gimnasia，即使根是gimnasi。你要回哪个字？您可能想在开始词干之前决定这一点，并创建一个仅包含（fe）男性单词的词典。