Różne kryteria częstości

Eksploracja tekstu metodą Bag-of-Words w R

Ted Kwartler

Instructor

Wagi terminów

Domyślna częstość terminu = prosta liczba wystąpień
Częste słowa mogą maskować wnioski
Dostosuj wagi terminu za pomocą TfIdf
Słowa występujące w wielu dokumentach są penalizowane

Wagi terminów

# Standard term weighting
tf_tdm <- TermDocumentMatrix(text_corp)
tf_tdm_m <- as.matrix(tf_dtm)
tf_tdm_m[505:510, 5:10]

Standardowe ważenie terminów.

# TfIdf weighting
tf_idf_tdm <- TermDocumentMatrix(text_corp, 
    control = list(weighting = weightTfIdf))
tf_idf_tdm_m <- as.matrix(tf_idf_dtm)
tf_tdm_m <- as.matrix(tf_dtm)

Ważenie TfIdf.

Zachowanie metadanych dokumentu

# Ensure the first 2 columns are doc_id & text
names(tweets)[1:2] <- c('doc_id','text')

# Create VCorpus including metadata
test_corpus <- VCorpus(DataframeSource(tweets))

# Clean and view results
text_corpus <- clean_corpus(text_corpus)
content(text_corpus[[1]])

$content
[1] "ayyytylerb true drink lots coffee"

meta(text_corpus[[1]])

$meta
  id      : 1
  author  : thejennagibson
  date    : 8/9/2013 2:43
  language: en

Czas na ćwiczenia!

Eksploracja tekstu metodą Bag-of-Words w R