stemDocment в пакете tm не работает над словом прошедшего времени

Question

У меня есть файл 'check_text.txt', который содержит слова "говорит, говорит, говорит, сделал". Я хотел бы выполнить это, чтобы получить "скажи, скажи, сделай, сделай, сделай". Я пытался использовать stemDocument в tm пакет, как указано ниже, но только получить "сказал, скажи, скажи, сделай, сделал". Есть ли способ выполнить слова в прошедшем времени? Нужно ли это делать в реальной обработке естественного языка? Спасибо!

filename = 'check_text.txt'
con <- file(filename, "rb")
text_data <- readLines(con,skipNul = TRUE)
close(con)
text_VS <- VectorSource(text_data)
text_corpus <- VCorpus(text_VS)
text_corpus <- tm_map(text_corpus, stemDocument, language = "english")
as.data.frame(text_corpus)$text

РЕДАКТИРОВАТЬ: я также пытался wordStem в SnowballC пакет

> library(SnowballC)
> wordStem(c("said", "say", "says", "make", "made"))
[1] "said" "sai"  "sai"  "make" "made"

Answer 1

Если в пакете есть набор данных неправильных английских глаголов, эта задача будет легкой. Я просто не знаю ни одного пакета с такими данными, поэтому я решил создать свою собственную базу данных с помощью очистки. Я не уверен, что этот сайт охватывает все неправильные слова. При необходимости вы хотите искать лучшие сайты, чтобы создать свою собственную базу данных. Как только у вас есть база данных, вы можете заниматься своей задачей.

Во-первых, я использовал stemDocument() и очистить существующие формы с -s. Затем я собрал прошлые формы в words (То есть, past) инфинитивные формы прошлых форм (т.е. inf1), определили порядок прошлых форм в temp, Я также определил позиции прошлых форм в temp, Я наконец заменил сат формы на их инфинитивные формы. Я повторил ту же процедуру для прошлых причастий.

library(tm)
library(rvest)
library(dplyr)
library(splitstackshape)


### Create a database
x <- read_html("http://www.englishpage.com/irregularverbs/irregularverbs.html")

x %>%
html_table(header = TRUE) %>%
bind_rows %>%
rename(Past = `Simple Past`, PP = `Past Participle`) %>%
filter(!Infinitive %in% LETTERS) %>%
cSplit(splitCols = c("Past", "PP"),
       sep = " / ", direction = "long") %>%
filter(complete.cases(.)) %>%
mutate_each(funs(gsub(pattern = "\\s\\(.*\\)$|\\s\\[\\?\\]",
                      replacement = "",
                      x = .))) -> mydic

### Work on the task

words <- c("said", "drawn", "say", "says", "make", "made", "done")

### says to say
temp <- stemDocument(words)

### past forms become present form
### Collect past forms
past <- mydic$Past[which(mydic$Past %in% temp)]

### Collect infinitive forms of past forms
inf1 <- mydic$Infinitive[which(mydic$Past %in% temp)]

### Identify the order of past forms in temp
ind <- match(temp, past)
ind <- ind[is.na(ind) == FALSE]

### Where are the past forms in temp?
position <- which(temp %in% past)

temp[position] <- inf1[ind]

### Check
temp
#[1] "say"   "drawn" "say"   "say"   "make"  "make"  "done" 


### PP forms to infinitive forms (same as past forms)

pp <- mydic$PP[which(mydic$PP %in% temp)]
inf2 <- mydic$Infinitive[which(mydic$PP %in% temp)]
ind <- match(temp, pp)
ind <- ind[is.na(ind) == FALSE]
position <- which(temp %in% pp)
temp[position] <- inf2[ind]

### Check
temp
#[1] "say"  "draw" "say"  "say"  "make" "make" "do"