Question

对于使用ngram的下一个单词预测，我需要找到给定n-1个前单词的所有ngram（及其频率）。
在dfm中，我看不到任何方法，因此开始在texstat_frequency（data.frame）上手动实现它。
在碰到一些this page中文档不清楚的方法之后，想知道是否有一种方法，只是我看不到它（也许是其中列出的但没有以某种方式描述的“ [”方法之一）我在那儿明白），所以这个问题。
（由于偏见，在成千上万的字符串上运行它们可能太慢/太重，这有可能导致错误地排除了我通常喜欢的正则表达式）

按照注释中的建议研究了fcm（），但是我只能得到跟随ngram的ngram，就像下面的代码一样，这不是我要求的，因为它仅适用于 n = 2（并且需要将结果矩阵细分为给定的（n-1）gram）。

txt <- c("a b 1 2 3 a b 2 3 4 a b 3 4 5")
fcm(tokens(txt, ngram = 2), "window", window = 1, ordered = T)
Feature co-occurrence matrix of: 10 by 10 features.
10 x 10 sparse Matrix of class "fcm"
        features
features a_b b_1 1_2 2_3 3_a b_2 3_4 4_a b_3 4_5
     a_b   0   1   0   0   0   1   0   0   1   0
     b_1   0   0   1   0   0   0   0   0   0   0
     1_2   0   0   0   1   0   0   0   0   0   0
     2_3   0   0   0   0   1   0   1   0   0   0
     3_a   1   0   0   0   0   0   0   0   0   0
     b_2   0   0   0   1   0   0   0   0   0   0
     3_4   0   0   0   0   0   0   0   1   0   1
     4_a   1   0   0   0   0   0   0   0   0   0
     b_3   0   0   0   0   0   0   1   0   0   0
     4_5   0   0   0   0   0   0   0   0   0   0

以上代码使用了从github 2018年8月20日安装的Quanteda，其中应包含此问题生成的this fix

packageVersion("quanteda")
[1] ‘1.3.5’

Answer 1

包装提供者请提供示例代码（here），该示例代码说明了如何实现我要求的内容（对于文本不太大的内容）。我在这里重现该代码，并进行一些简化和注释，以使其尽可能容易理解

sample_code <- function() {

  require(quanteda)

  print(paste("based on","https://github.com/quanteda/quanteda/issues/1413#issuecomment-414795832"))
  print("great package great support, thanks")

  ngms <- tokens("a b 1 2 3 a b 2 3 4 a b 3 4 5", n = 2:5)

  # get rid of tokens metadata not necessary for our UC
  ngms_lst <-  as.list(ngms)
  ngms_unlst  <- unlist(ngms_lst) # (named) character with _ sep. ngrams

  # split in " "-separated pairs:  "n-1 tokens", "nth token"
  ngms_blank_sep <- stringi::stri_replace_last_fixed(ngms_unlst,"_", " ")

  # list of character(2)  ( (n-1)gram ,nth token )
  tk2_lst <- tokens(ngms_blank_sep)

  # --- end of tokens/ngrams pre-processing

  # ordinary fcm
  fcm_ord <- fcm(tk2_lst , ordered = TRUE)

  fcm_ord[33:39, 1:6]
}


sample_code()
[1] "based on https://github.com/quanteda/quanteda/issues/1413#issuecomment-414795832"
[1] "great package great support, thanks"
Feature co-occurrence matrix of: 7 by 6 features.
7 x 6 sparse Matrix of class "fcm"
         features
features  a b 1 2 3 4
  3_a_b_2 0 0 0 0 1 0
  a_b_2_3 0 0 0 0 0 1
  b_2_3_4 1 0 0 0 0 0
  2_3_4_a 0 1 0 0 0 0
  3_4_a_b 0 0 0 0 1 0
  4_a_b_3 0 0 0 0 0 1
  a_b_3_4 0 0 0 0 0 0

Quanteda：在给定n-1个前置单词/类型的情况下，如何获取ngram及其频率

1 个答案: