R中文文本挖掘tm包相关问题

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

用tm包做文本挖掘，想导入用Rwordseg包做过分词的中文到语料库中作文本聚类，请问导入对象可以是list的格式吗？具体导入的函数怎么写？因为用Rwordseg包分词过后的文本为list的格式，如下图所示：

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

用segmentCN函数作分词的时候，有一个returnType参数，需要把它设置为"tm"，这样得到的结果就可以直接用来构造DTM了

那建立语料库后每个文档的格式为一个向量格式，如下图所示，这样有没有问题？建立语料库的代码为ovid3 <- Corpus(VectorSource(seg),readerControl=list(language="zh"))

pennyr617 发表于 2019-1-7 16:24
那建立语料库后每个文档的格式为一个向量格式，如下图所示，这样有没有问题？建立语料库的代码为ovid3

你这个情况我不确认接下来会发生什么但是跟我不太一样，给你一个例子吧

1. data <- c("今天天气很好", "明天不用上班")
   
2. tmdata <- segmentCN(data, returnType = "tm")
   
3. cpdata <- VCorpus(VectorSource(tmdata), readerControl = list(language = "zh"))
   
4. ctrl <- list(weighting = weightTf, wordLengths = c(1, Inf))
   
5. dtm <- DocumentTermMatrix(cpdata, control = ctrl)

复制代码

中文用tm的基本思想就是通过分词在文本中加入了很多空格，然后中文就可以跟英文一样的处理方式了
所以分词后不能写成

1. > segmentCN("今天天气很好")
   
2. [1] "今天" "天气" "很"   "好"  

复制代码

而应该是

1. > segmentCN("今天天气很好", returnType = "tm")
   
2. [1] "今天 天气 很 好"

复制代码

非常感谢，我的问题已经解决了