Сходство текста с помощью тега PoS

Question

Я хочу рассчитать сходство текста, используя только слова определенного POS-тега. В настоящее время я вычисляю сходство, используя косинус-метод, но он не учитывает POS-теги.

A <- data.frame(name = c(
  "X-ray right leg arteries",
  "consultation of gynecologist",
  "x-ray leg arteries",
  "x-ray leg with 20km distance"
), stringsAsFactors = F)

B <- data.frame(name = c(
  "X-ray left leg arteries",
  "consultation (inspection) of gynecalogist",
  "MRI right leg arteries",
  "X-ray right leg arteries with special care"
), stringsAsFactors = F)

corp1 <- corpus(A, text_field = "name")
corp2 <- corpus(B, text_field = "name")

docnames(corp1) <- paste("A", seq_len(ndoc(corp1)), sep = ".")
docnames(corp2) <- paste("B", seq_len(ndoc(corp2)), sep = ".")

dtm3 <- rbind(dfm(corp1, ngrams=2), dfm(corp2, ngrams=2))
cosines <- lapply(docnames(corp2), 
                  function(x) textstat_simil(dtm3[c(x, docnames(corp1)), ],
                                             method = "cosine",
                                             selection = x)[-1, , drop = FALSE])
do.call(cbind, cosines)

В приведенном выше примере "рентгеновские артерии правой ноги" не следует сопоставлять с "МРТ правой артерии ноги", поскольку это две разные категории услуг. К сожалению, у меня нет явной категоризации услуг. У меня есть только текст службы. Возможно ли с помощью POS-тегов я могу придать большее значение этим словам - "Рентген", "консультация", "нога" и "артерии". Услуги, упомянутые в коде, являются лишь примером. На самом деле у меня более 10К сервисов. Я исследовал пакет udpipe для тегов PoS, но не добился большого успеха.

Answer 1

Чтобы сделать pos-тегирование с помощью udpipe, вы можете сделать следующее (основываясь на данных вашего примера A & B).

library(udpipe)
library(magrittr)
library(data.table)
txt <- rbindlist(list(A = A, B = B), idcol = "dataset")
txt$id <- sprintf("dataset%s_id%s", txt$dataset, seq_len(nrow(txt)))

# Tag using udpipe version 0.6 on CRAN which allows to show annotation progress
udmodel <- udpipe_download_model("english")
udmodel <- udpipe_load_model(udmodel$file_model)
txt_anno <- udpipe_annotate(udmodel, x = txt$name, doc_id = txt$id, trace = 5)
txt_anno <- as.data.table(txt_anno)

Если вы хотите вычислить сходства на основе матрицы терминов документа леммы, выполните следующие действия (использует sim2 от text2vec R пакет)

# construct DTM with only nouns based on lemmas
dtm1 <- subset(txt_anno, upos %in% c("NOUN"), select = c("doc_id", "lemma")) %>% 
  document_term_frequencies %>% 
  document_term_matrix
library(text2vec)
sim2(dtm1, dtm1, method = "cosine")

Если вы также хотите добавить в игру ngram существительных, сделайте следующее. Извлеките существительные, следующие друг за другом, создайте документ / термин / матрицу этого нового составного термина и объедините его с существующей матрицей терминов документа, чтобы легко выполнить сходство документов.

# Add ngrams of nouns in the game (2 nouns following one another with an optional punctuation in between)
keyw <- txt_anno[, keywords_phrases(x = upos, term = lemma, pattern = "NOUN(PUNCT)*NOUN", is_regex = TRUE), by = "doc_id"]
keyw <- keyw[, list(freq = .N), by = c("keyword", "ngram")]

# add a new column of this n-gram and create DTM
txt_anno <- txt_anno[, term := txt_recode_ngram(x = lemma, compound = keyw$keyword, ngram = keyw$ngram), by = "doc_id"]

dtm2 <- subset(txt_anno, term %in% keyw$keyword, select = c("doc_id", "term")) %>% 
  document_term_frequencies %>% 
  document_term_matrix

dtmcombined <- dtm_cbind(dtm1, dtm2)
colnames(dtmcombined)
sim2(dtmcombined, dtmcombined, method = "cosine")