用R语言进行文本挖掘和主题建模

夢里婲

我们每天都会遇到各种各样的文本数据，但大部分是非结构化的，并不是全部都是有价值的。
据估计，全球约80％的数据是非结构化的。这包括音频，视频和文本数据。在这篇文章中，我们将只讨论文本数据。在系列后面，我们将会谈论到其他非结构化数据。

我们阅读的书籍，博客，新闻文章，网页，电子邮件等都是文本数据。所有这些文本都为我们提供了大量的信息，并不断增长。但是，并非所有的数据都是有用的。我们过滤掉噪音，只保留重要的信息。这是一个乏味的过程，但作为人类，我们需要智慧 - 阅读是一个必不可少的工具。而且，当世界倾向于智能机器时，处理来自非结构化数据的信息的能力是必须的。对于人类和智能机器来说，从大量的文本数据中挖掘信息是必需的。文本挖掘可以提供方法来提取，总结和分析来自非结构化数据的有用信息，以获得新的见解。


1、文本检索
文本文件可以有各种格式，如PDF，DOC，HTML等。第一步是将这些文档转换为可读的文本格式。接下来，必须创建一个语料库。语料库只是一个或多个文档的集合。当我们在R中创建语料库时，文本会被标记并可供进一步处理。

1. library(tm)
   
2. library(SnowballC)
   
3. library(topicmodels)
   
4. #设置工作目录（根据需要修改路径）
   
5. setwd("//Users//datascience//textmining//topicmodel")
   
6. #加载文档到语料库
   
7. #获取目录中的.txt文件列表
   
8. filenames <- list.files(getwd(),pattern="*.txt")
   
9. #将文件读入字符向量
   
10. files <- lapply(filenames,readLines)
    
11. #创建矢量语料库
    
12. articles.corpus <- Corpus(VectorSource(files))

复制代码

2、文本预处理
接下来，我们需要对文本进行预处理，将其转换为可以处理以提取信息的格式。在分析文本之前减小特征空间的大小是非常重要的。我们可以在这里使用各种预处理方法，如停用词清除，案例折叠，词干化，词形化和收缩简化。但是，没有必要将所有的规范化方法应用于文本。这取决于我们检索的数据和要执行的分析类型。

1. #将每个字母变成小写
   
2. articles.corpus <- tm_map(articles.corpus, tolower)
   
3. #删除标点符号
   
4. articles.corpus <- tm_map(articles.corpus, removePunctuation)
   
5. #删除数字
   
6. articles.corpus <- tm_map(articles.corpus, removeNumbers);
   
7. #删除通用和自定义的停用词
   
8. stopword <- c(stopwords('english'), "best");
   
9. articles.corpus <- tm_map(articles.corpus, removeWords, stopword)
   
10. articles.corpus <- tm_map(articles.corpus, stemDocument);

复制代码

以下是我们应用于减少数据集特征空间的预处理方法的简短描述：
删除标点符号：删除了各种标点符号，如+， - 和〜。
停用词清除：将常用词和短语功能词等停用词过滤掉，以便对数据进行有效的分析。由NLTK提供的标准英语停用词列表与自定义词汇集合一起使用，以消除非正式词汇和产品名称。我们也可以从我们的文本中提供我们认为与我们的分析无关的文字。
案例折叠：案例折叠将所有大写字母转换为小写字母。
词干化：词干是将修饰词或派生词归为根的过程。例如，工作（进行时）和工作（过去式）都会被词干化为工作（原型）。
删除号码：对于某些文本挖掘活动，号码不是必需的。例如，在主题建模的情况下，我们关心的是找到描述我们语料库的基本词汇。在这种情况下，我们可以删除号码。然而，在某些情况下，例如，如果我们正在为财务报表进行主题建模，它们可能会增加实质性内容。

下一步是创建一个文档项矩阵（DTM）。这是一个重要的步骤，因为解释和分析文本文件，它们最终必须转换成文档术语矩阵。 DTM包含每个文档的术语出现次数。 DTM中的行代表文档，文档中的每个词代表一列。在将文集转换为文档项矩阵之后，我们还移除了低频词（稀疏词）。

1. articleDtm <- DocumentTermMatrix(articles.corpus, control = list(minWordLength = 3));
   
2. articleDtm2 <- removeSparseTerms(articleDtm, sparse=0.98)

复制代码

3、主题建模
主题建模是为了找到最能代表集合的文档集合中的关键词/术语。Latent Dirichlet Allocation（LDA）模型是一种广泛使用的话题建模技术。以上结果表明，这两个文件的主题都集中在机器学习和数据科学领域，你可以从GitHub中找到数据集和代码。