r - 在 R 中使用 tm 包计数器 ngram

Question

我使用 R 中的对象和字典 documentTermMatrix 为文档中的单词频率创建了一个脚本。该脚本适用于单个单词而不是复合词
es. “富”“酒吧”“富酒吧”

这是代码

require(tm)
my.docs <- c("foo bar word1 word2")
myCorpus <- Corpus(VectorSource(my.docs))
inspect(DocumentTermMatrix(myCorpus,list(dictionary = c("foo","bar","foo bar"))))

但结果是

Terms

Docs bar foo  foo bar

   1   1   1        0

我必须找到一个“foo bar”= 1

我怎样才能解决这个问题？

Answer 1

问题是DocummentTermMatrix(...)在分词处标记是默认的。你至少需要 bigrams。

归功于 this post对于基本方法。

library(tm)
library(RWeka)
my.docs <- c("foo bar word1 word2")
myCorpus <- Corpus(VectorSource(my.docs))
myDict   <- c("foo","bar","foo bar")
BigramTokenizer <- function(x) NGramTokenizer(x, Weka_control(min = 1, max = 2))
inspect(DocumentTermMatrix(myCorpus, control=list(tokenize=BigramTokenizer,
                                                  dictionary=myDict)))
# <<DocumentTermMatrix (documents: 1, terms: 3)>>
# ...
#     Terms
# Docs bar foo foo bar
#    1   1   1       1