tm.package：findAssocs和Cosine

我是新来的，我的问题是数学而不是编程性质的，我想就我的方法是否有意义获得第二意见。

我试图找到使用功能在我的语料字与字之间的关联findAssocs，从tm包。即使它在通过该软件包提供的数据（例如《纽约时报》和美国国会）上似乎表现得相当不错，但我对我自己的数据集却不太整洁，对它的性能还是感到失望。罕见的文件似乎包含了几个重复的相同单词，这似乎很容易使它们失真，这似乎在它们之间建立了很强的联系。我发现，即使基于文献，余弦度量也可以更好地说明术语之间的相关性，尽管它仅倾向于用于度量文档的相似性，而不是术语。让我们使用RTextTools软件包中的USCongress数据来演示我的意思：

首先，我将设置所有内容...

data(USCongress)

text = as.character(USCongress$text)

corp = Corpus(VectorSource(text)) 

parameters = list(minDocFreq        = 1, 
                  wordLengths       = c(2,Inf), 
                  tolower           = TRUE, 
                  stripWhitespace   = TRUE, 
                  removeNumbers     = TRUE, 
                  removePunctuation = TRUE, 
                  stemming          = TRUE, 
                  stopwords         = TRUE, 
                  tokenize          = NULL, 
                  weighting         = function(x) weightSMART(x,spec="ltn"))

tdm = TermDocumentMatrix(corp,control=parameters)

假设我们有兴趣研究“政府”与“外国”之间的关系：

# Government: appears in 37 docs and between then it appears 43 times
length(which(text %like% " government"))
sum(str_count(text,"government"))

# Foreign: appears in 49 document and between then it appears 56 times
length(which(text %like% "foreign"))
sum(str_count(text,"foreign"))

length(which(text[which(text %like% "government")] %like% "foreign"))
# together they appear 3 times

# looking for "foreign" and "government"
head(as.data.frame(findAssocs(tdm,"foreign",0.1)),n=10)

             findAssocs(tdm, "foreign", 0.1)
countri                                 0.34
lookthru                                0.30
tuberculosi                             0.26
carryforward                            0.24
cor                                     0.24
malaria                                 0.23
hivaid                                  0.20
assist                                  0.19
coo                                     0.19
corrupt                                 0.19

# they do not appear to be associated

现在，让我们添加另一个包含“外国政府”的文档，该文档重复了50次：

text[4450] = gsub("(.*)",paste(rep("\\1",50),collapse=" "),"foreign government")
corp = Corpus(VectorSource(text)) 
tdm = TermDocumentMatrix(corp,control=parameters)

#running the association again:
head(as.data.frame(findAssocs(tdm,"foreign",0.1)),n=10)

             findAssocs(tdm, "foreign", 0.1)
govern                                  0.30
countri                                 0.29
lookthru                                0.26
tuberculosi                             0.22
cor                                     0.21
carryforward                            0.20
malaria                                 0.19
hivaid                                  0.17
assist                                  0.16
coo                                     0.16

如您所见，现在这是一个不同的故事，并且全部归结为一个文档。

在这里，我想做一些非常规的事情：使用余弦查找文档空间中术语之间的相似性。这种方法往往用于查找文档之间的相似性而不是术语，但是我认为没有理由不能将其用于查找单词之间的相似性。在传统意义上，文档是向量，而项是轴，我们可以根据这些文档之间的角度检测它们的相似性。但是术语文档矩阵是文档术语矩阵的转置，并且类似地，我们可以在文档空间中投影术语，即让您的文档成为坐标轴，使术语成为可以测量角度的向量。它似乎没有像简单关联这样的缺点：

cosine(as.vector(tdm["government",]),as.vector(tdm["foreign",]))
     [,1]
[1,]    0

除此之外，这两种措施似乎非常相似：

tdm.reduced = removeSparseTerms(tdm,0.98)

Proximity = function(tdm){ 
  d = dim(tdm)[1] 
  r = matrix(0,d,d,dimnames=list(rownames(tdm),rownames(tdm))) 
  for(i in 1:d){ 
    s = seq(1:d)[-c(1:(i-1))] 
    for(j in 1:length(s)){ 
      r[i,s[j]] = cosine(as.vector(tdm[i,]),as.vector(tdm[s[j],])) 
      r[s[j],i] = r[i,s[j]] 
    } 
  } 
  diag(r) = 0 
  return(r) 
}

rmat = Proximity(tdm.reduced)

# findAssocs method
head(as.data.frame(sort(findAssocs(tdm.reduced,"fund",0),decreasing=T)),n=10)

        sort(findAssocs(tdm.reduced, "fund", 0), decreasing = T)
use                                                         0.11
feder                                                       0.10
insur                                                       0.09
author                                                      0.07
project                                                     0.05
provid                                                      0.05
fiscal                                                      0.04
govern                                                      0.04
secur                                                       0.04
depart                                                      0.03

# cosine method
head(as.data.frame(round(sort(rmat[,"fund"],decreasing=T),2)),n=10)

       round(sort(rmat[, "fund"], decreasing = T), 2)
use                                              0.15
feder                                            0.14
bill                                             0.14
provid                                           0.13
author                                           0.12
insur                                            0.11
state                                            0.10
secur                                            0.09
purpos                                           0.09
amend                                            0.09

但是，令人惊讶的是，我还没有看到余弦被用来检测术语之间的相似性，这使我想知道我是否错过了一些重要的东西。也许这种方法在某种程度上是我没有过的。因此，对我所做的任何想法都将不胜感激。

如果您已经做到了这一点，那么感谢您的阅读！！

干杯