R语言文本挖掘(10页).doc

《R语言文本挖掘(10页).doc》由会员分享，可在线阅读，更多相关《R语言文本挖掘(10页).doc（10页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、-R语言文本挖掘-第 10 页中文及英文的文本挖掘R语言所需要的包tm(text mining) rJava,Snowball,zoo,XML,slam,Rz, RWeka,matlab1 文本挖掘概要文本挖掘是从大量的文本数据中抽取隐含的，求和的，可能有用的信息。通过文本挖掘实现Associate：关联分析，根据同时出现的频率找出关联规则Cluster：将相似的文档（词条）进行聚类Categorize：将文本划分到预先定义的类别里文档自动摘要：利用计算机自动地从原始文档中提取全面准确地反映该文档中心内容的简单连贯描述性短文。文本挖掘的运用主要有如下几方面l 智能信息检索同义词，简称词，异形词

2、，同音字、赘字移除l 网络内容安全内容监控内容过滤l 内容管理自动分类检测和追踪l 市场监测口碑监测竞争情报系统市场分析2 英文文本挖掘实例实现多个英文文档的聚类分析2.1 文本预处理2.1.1 读取文本内容#取得tm内部文件texts/crude/下的文件目录。library(tm,lib.loc=d:/ProgramFiles/R/R-3.0.3/library) vignette(tm)#获取相关帮助文档的内容，pdf格式reut-system.file(texts,crude,package=tm)# 用Corpus命令读取文本并生成语料库文件由于要读取的是xml文件，所以需要xml包

3、reuters inputtest-read.csv(file.choose()2.1.2 文本清理对于xml格式的文档用tm_map命令对语料库文件进行预处理，将其转为纯文本并去除多余空格，转换小写，去除常用词汇、合并异形同意词汇，如此才能得到类似txt文件的效果需要用到的包SnowballCreuters - tm_map(reuters, PlainTextDocument)#去除标签reuters - tm_map(reuters, stripWhitespace)#去多余空白reuters - tm_map(reuters, tolower)#转换小写reuters query tm

4、_filter(reuters, FUN = sFilter, query)找到由于语料库已经将大小写转换以及将介词类删除所以对应的语句只是特有单词的组合。2.1.4 生成词频矩阵并查看内容dtm inspect(dtm10:15,110:120)A document-term matrix (6 documents, 11 terms)Non-/sparse entries: 6/60Sparsity : 91%Maximal term length: 9 Weighting : term frequency (tf) TermsDocs activity. add added added.

5、 address addressed adherence adhering advantage advisers agency 1, 0 0 0 0 0 0 1 1 0 0 2 2, 0 0 0 0 0 0 0 0 0 0 0 3, 0 0 0 0 0 0 0 0 0 0 1 4, 0 0 0 0 0 0 0 1 0 0 2 5, 0 0 0 0 0 0 0 0 0 0 0 6, 0 0 0 0 0 0 0 0 0 0 02.1.5 查看含有特定词的文档若要考察多个文档特定词汇的出现频率或以手工生成字典，并将其作为生成阵的参数 inspect(tdmc(price, texas),c(127,

6、144,191,194)A term-document matrix (2 terms, 4 documents)Non-/sparse entries: 6/2Sparsity : 25%Maximal term length: 5 Weighting : term frequency (tf) DocsTerms 127 144 191 194 price 2 1 2 2 texas 1 0 0 2 inspect(DocumentTermMatrix(reuters,+ list(dictionary = c(prices, crude, oil)A document-term matr

7、ix (20 documents, 3 terms)Non-/sparse entries: 41/19Sparsity : 32%Maximal term length: 6 Weighting : term frequency (tf) TermsDocs crude oil prices 127 3 5 4 144 0 11 4 191 3 2 0 194 4 1 0 211 0 2 0 236 1 7 2 237 0 3 02.1.6 元数据操作（词元素）2.1.6.1 查看词条出现次数大于某个具体值的词findFreqTerms(dtm,5)#查看出现频大于等于5的词2.1.6.2

8、条 findAssocs(dtm,opec,0.8) opecmeeting 0.882.1.7 处理词频矩阵 dtm2 temptoscale d fit plot(fit)2.3 分析结果从聚类图可以看出，文档16和17是比较接近的。而3，4，1，19可以聚成一类，1，6，11，10，13也可分别聚为一类3 中文文本挖掘实例3.1 前期准备3.1.1 Mmseg4j分词使用中文分词法，由于词之间无有像英文一样的空隔，好在有Java已经解决了这样的问题，我们只需要在R-console里加载rJava与rmmseg4j两个工具包即可。如mmseg4j(中国人民从此站起来了)1 中国 人民 从此

9、 站 起来但事实上其技术是好几代之前的了，目前很少有人还在使用，并且其精度不高，用户自定义词典在R测试并无效。 teststring mmseg4j(teststring)1 我要 学习 r 语言 兴趣小组 学 无止 尽尽管在D:Program FilesRR-3.0.3libraryrmmseg4juserDic中将自定义的词典r语言写入，但似乎并没有被识别到。3.1.2 Rwordseg介绍所需要的中文分词包Rwordseg，rjava包Rwordseg 是一个R环境下的中文分词工具，使用rJava调用Java分词工具Ansj。Ansj 也是一个开源的 Java 中文分词工具，基于中科院的

10、 ictclas 中文分词算法，采用隐马尔科夫模型（Hidden Markov Model,HMM）。作者孙健重写了一个Java版本，并且全部开源，使得 Ansi可用于人名识别、地名识别、组织机构名识别、多级词性标注、关键词提取、指纹提取等领域，支持行业词典、 用户自定义词典。3.1.2.1 分词segmentCN(strwords, analyzer = get(Analyzer, envir = .RwordsegEnv), nature = FALSE, nosymbol = TRUE, returnType = c(vector, tm), isfast = FALSE, outfil

11、e = , blocklines = 1000)nature用于设置是否输出词性，默认不用。 segmentCN(teststring) 1 我 要 学习 r语言 兴趣 小组 学 无 止 尽 加入用户自定义词典并进行测试3.1.2.2 自定义词典 insertWords(c(我要) segmentCN(teststring)1 我要 学习 r语言 兴趣 小组 学 无 止 尽 3.1.2.3 安装新的词典installDict(E:/default.dic)3.1.2.4 人名识别设置 getOption(isNameRecognition)1 FALSEsegment.options(isNa

12、meRecognition = TRUE)用于设置是否进行人名识别segment.options(isNameRecognition = TRUE)3.1.3 读取网站内容 library(XML, lib.loc=d:/Program Files/R/R-3.0.3/library) x iconv(xmlValue(getNodeSet(x, /ahref)1), UTF-8, )#转换编码1 COS论坛 | 统计之都tables=readHTMLTable(x)#读取内容 tables$NULLNULL$latest 帖子 发表新帖子 回复 作者 最后回复 最近更新1 COS论坛说明（新

13、手必读） - 23474849 979 谢益辉 cassiusoat 2 周3.1.4 Tm中文常识在tm 中主要的管理文件的结构被称为语料库（Corpus），代表了一系列的文档集合。语料库是一个概要性的概念，在这里分为动态语料库（Volatile Corpus，作为R 对象保存在内存中）和静态语料库（Permanent Corpus，R 外部保存）。在语料库构成中，x 必须有一个说明资料来源（input location）的源对象（Source Object）。我们可以看一下tm 中Corpus（或VCorpus）函数的用法，对于动态语料库：Corpus(x,2 readerControl

14、= list(reader = x$DefaultReader, language = en),3 .)在tm 中静态语料库也是可以处理的，但需要使用filehash 包来支持：1 PCorpus(x,2 readerControl = list(reader = x$DefaultReader, language = en),3 dbControl = list(dbName = , dbType = DB1),4 .)对于这些资料来源（即x），tm 包提供了一些相关的函数，比如 DirSource：处理目录 VectorSource：由文档构成的向量 DataframeSource：数据框

15、，就像CSV 文件第二个参数是readerControl，这里必须声明reader 和language 两个内容。第一个reader是指从资料源创立的文本文件。tm 包提供了一系列的函数支持（比如，readPlain(),readGmane(), readRCV1(), readReut21578XMLasPlain(), readPDF(), readDOC() 等）。3.2 文件整理将各个文档放入一个csv文件夹中，格式如下3.3 读取文件 mydata txt txt txt txt txt txt inspect(txt1)#查看内容A corpus with 1 text docum

16、entThe metadata consists of 2 tag-value pairs and a data frameAvailable tags are: create_date creator Available variables in the data frame are: MetaID $txt1 确定性趋势3.5 中文分词并重新生成语料库txt-segmentCN(as.character(txt)#将语料库中的中文时行分词txt-Corpus(VectorSource(txt)3.6 导入中文停词表将文件转换成csv文件导入中文停词表，并转换成向量格式cnword-read.csv(file.choose(),header=F,stringsAsFactors=F)cnword-as.vector(cnword1:dim(cnword)1,)#需要为向量格式3.7 生成词频矩阵并处理稀疏词汇dtm dtm2 = removeSparseTerms(dtm, sparse=0.9)df_dtm2 d fit plot(fit)3.9 分析结果事实上文件123是有关于时间序列实习笔记，其相似度最高，图中也显示了他们可以聚为一类，证明分析的可靠性。