r - 查找一对文档之间的重叠

Question

我有一个由 tm 的 TermDocumentMatrix 生成的稀疏术语文档矩阵。

我正在尝试编写一个函数，它以两个文档名称和 k 作为参数，查找在两个文档中出现的所有术语，按术语的字数降序排列该列表，并返回前 k 个。每个术语中的单词用下划线分隔(如 bob_raids_crops)。

这是一个玩具示例(我按长度而不是字词字数排序):

library(tm)
library(dplyr)
data("crude")
tdm <- TermDocumentMatrix(crude,
                          control = list(removePunctuation = TRUE,
                                         stopwords = TRUE))

df  <- data.frame(term = row.names(tdm), as.matrix(tdm[, c("127", "144")]), row.names = NULL)
df$in.both <- ifelse(df[,2]>0 & df[,3]>0, TRUE, FALSE)
df <- df%>%
  subset(in.both == TRUE) %>%
  arrange(desc(str_length(term))) %>%
  select(term) %>%
  top_n(5,str_length(term))
df

返回:

       term
1 companies
2   markets
3    market
4    prices
5    reuter

我打算编写一个函数，但想知道是否有现成的方法可以做到这一点。如果不是，我可以使上述更有效(比如避免数据帧)吗？

Answer 1

这是一个解决方案，使用 rowSums 对出现的单词求和，使用 full_join 连接为每个文档制作的 2 df。应用 na.omit() 确保只计算出现在两个文档中的单词。 对于文档 144，单词按降序排列。

library(tm)
#> Lade nötiges Paket: NLP
#library(dplyr)
library(tidyverse)
data("crude")
tdm <- TermDocumentMatrix(crude,
                          control = list(removePunctuation = TRUE,
                                         stopwords = TRUE))

one_44 <- rowSums(as.matrix(tdm[, "144"])) %>% 
  as.data.frame() %>% 
  rownames_to_column() %>% 
  rename("F" = ".") %>% 
  mutate(text = "one_44")
one_27 <- rowSums(as.matrix(tdm[, "127"])) %>% 
  as.data.frame() %>% 
  rownames_to_column() %>% 
  rename("F" = ".") %>% 
  mutate(text = "one_27")

one_27 %>% full_join(one_44, by = c('rowname', "F", 'text')) %>% 
  filter(F >0) %>% #distinct(text)
  pivot_wider(names_from = text, values_from = F) %>% 
  na.omit() %>% 
  arrange(desc(one_44))
#> # A tibble: 10 × 3
#>    rowname   one_27 one_44
#>    <chr>      <dbl>  <dbl>
#>  1 oil            5     12
#>  2 said           3     11
#>  3 prices         3      5
#>  4 market         1      3
#>  5 markets        1      2
#>  6 companies      1      1
#>  7 last           1      1
#>  8 price          2      1
#>  9 reuter         1      1
#> 10 two            1      1