Preparando texto para modelagem

Introdução ao Processamento de Linguagem Natural em R

Kasey Jones

Research Data Scientist

Supervised learning em R: classification

Introdução ao Processamento de Linguagem Natural em R

Modelagem de classificação

  • abordagem de supervised learning
  • classifica observações em categorias
    • vitória/derrota
    • perigoso, amigável ou indiferente
  • pode usar várias técnicas:
    • regressão logística
    • árvores de decisão/random forest/xgboost
    • redes neurais
    • etc.
Introdução ao Processamento de Linguagem Natural em R

Etapas básicas de modelagem

  1. Limpar/preparar os dados
  2. Criar conjuntos de treino e teste
  3. Treinar um modelo no conjunto de treino
  4. Reportar a acurácia no conjunto de teste
Introdução ao Processamento de Linguagem Natural em R

Reconhecimento de personagens

Napoloeon Napoleão

Boxer Sansão

1 https://comicvine.gamespot.com/napoleon/4005-141035/ 2 https://hero.fandom.com/wiki/Boxer_(Animal_Farm)
Introdução ao Processamento de Linguagem Natural em R

Frases sobre animais

# Make sentences
sentences <- animal_farm %>%
  unnest_tokens(output = "sentence", token = "sentences", input = text_column)

# Label sentences by animal
sentences$boxer <- grepl('boxer', sentences$sentence)
sentences$napoleon <- grepl('napoleon', sentences$sentence)

# Replace the animal name
sentences$sentence <- gsub("boxer", "animal X", sentences$sentence)
sentences$sentence <- gsub("napoleon", "animal X", sentences$sentence)
animal_sentences <- sentences[sentences$boxer + sentences$napoleon == 1, ]
Introdução ao Processamento de Linguagem Natural em R

Frases (continuação)

animal_sentences$Name <-
    as.factor(ifelse(animal_sentences$boxer, "boxer", "napoleon"))

# 75 de cada
animal_sentences <- 
  rbind(animal_sentences[animal_sentences$Name == "boxer", ][c(1:75), ],
        animal_sentences[animal_sentences$Name == "napoleon", ][c(1:75), ])
animal_sentences$sentence_id <- c(1:dim(animal_sentences)[1])
Introdução ao Processamento de Linguagem Natural em R

Preparar os dados

library(tm); library(tidytext)
library(dplyr); library(SnowballC)

animal_tokens <- animal_sentences %>%
  unnest_tokens(output = "word", token = "words", input = sentence) %>%
  anti_join(stop_words) %>%
  mutate(word = wordStem(word))
Introdução ao Processamento de Linguagem Natural em R

Preparação (continuação)

animal_matrix <- animal_tokens %>%
  count(sentence_id, word) %>%
  cast_dtm(document = sentence_id, term = word,
           value = n, weighting = tm::weightTfIdf)
animal_matrix

<<DocumentTermMatrix (documents: 150, terms: 694)>>
Non-/sparse entries: 1235/102865
Sparsity           : 99%
Maximal term length: 17
Weighting          : term frequency - inverse document frequency
Introdução ao Processamento de Linguagem Natural em R

Remover termos esparsos

  • Não vazias (1.235) + vazias (102.865)
  • Dimensões da matriz 150 × 694
  • Esparsidade: 102.865 / 104.100 (99%)

Solução: removeSparseTerms()

Introdução ao Processamento de Linguagem Natural em R

Quão esparso é demais?

removeSparseTerms(animal_matrix, sparse = .90)

<<DocumentTermMatrix (documents: 150, terms: 4)>>
Non-/sparse entries: 207/393
Sparsity           : 66%

removeSparseTerms(animal_matrix, sparse = .99)

removeSparseTerms(animal_matrix, sparse = .99)
<<DocumentTermMatrix (documents: 150, terms: 172)>>
Non-/sparse entries: 713/25087
Sparsity           : 97%
Introdução ao Processamento de Linguagem Natural em R

Vamos praticar!

Introdução ao Processamento de Linguagem Natural em R

Preparing Video For Download...