r - tm::findAssocs 的数学这个函数是如何工作的？

Question

我一直在用findAssoc()使用文本挖掘( tm 包)但意识到我的数据集似乎有些不对劲。

我的数据集是保存在一列 csv 文件中的 1500 个开放式答案。
所以我这样称呼数据集并使用典型的tm_map使其成为语料库。

library(tm)
Q29 <- read.csv("favoritegame2.csv")
corpus <- Corpus(VectorSource(Q29$Q29))
corpus <- tm_map(corpus, tolower)
corpus <- tm_map(corpus, removePunctuation)
corpus <- tm_map(corpus, removeNumbers)
corpus<- tm_map(corpus, removeWords, stopwords("english"))
dtm<- DocumentTermMatrix(corpus)

findAssocs(dtm, "like", .2)
> cousin  fill  ....
  0.28    0.20      

一季度。当我找到与 like 相关的条款时，我没有看到输出 like = 1作为输出的一部分。然而，

dtm.df <-as.data.frame(inspect(dtm))

该数据框由 1500 个 obs 组成。 1689 个变量..(或者是因为数据保存在一行 csv 文件中？)

Q2。即使 cousin和 fill当目标词 like出现一次出现一次，分数就这样不同了。他们不应该是一样的吗？

我试图找到 findAssoc() 的数学公式但还没有成功。任何建议都非常感谢!

Answer 1

我想没有人回答过你的最后一个问题。

I'm trying to find the math of findAssoc() but no success yet. Any advice is highly appreciated!

findAssoc() 的数学基于 R 的 stats 包中的标准函数 cor()。给定两个数值向量，cor() 计算它们的协方差除以两个标准差。

因此，给定包含术语“word1”和“word2”的 DocumentTermMatrix dtm，使得 findAssocs(dtm, “word1”, 0) 返回值为 x 的“word2”，即“word1”和“word2”的术语向量的相关性是 x。

一个冗长的例子

> data <-  c("", "word1", "word1 word2","word1 word2 word3","word1 word2 word3 word4","word1 word2 word3 word4 word5") 
> dtm <- DocumentTermMatrix(VCorpus(VectorSource(data)))
> as.matrix(dtm)
    Terms
Docs word1 word2 word3 word4 word5
   1     0     0     0     0     0
   2     1     0     0     0     0
   3     1     1     0     0     0
   4     1     1     1     0     0
   5     1     1     1     1     0
   6     1     1     1     1     1
> findAssocs(dtm, "word1", 0) 
$word1
word2 word3 word4 word5 
 0.63  0.45  0.32  0.20 

> cor(as.matrix(dtm)[,"word1"], as.matrix(dtm)[,"word2"])
[1] 0.6324555
> cor(as.matrix(dtm)[,"word1"], as.matrix(dtm)[,"word3"])
[1] 0.4472136

以此类推第 4 和第 5 个词。

另见 http://r.789695.n4.nabble.com/findAssocs-tt3845751.html#a4637248