Quanteda с topicmodels: удаленные стоп-слова появляются в результатах (китайский)

Question

Мой код:

library(quanteda)
library(topicmodels)

# Some raw text as a vector
postText <- c("普京 称 俄罗斯 未 乌克兰 施压 来自 头 条 新闻", "长期 电脑 前进 食 致癌 环球网 报道 乌克兰 学者 认为 电脑 前进 食 会 引发 癌症 等 病症 电磁 辐射 作用 电脑 旁 水 食物 会 逐渐 变质 有害 物质 累积 尽管 人体 短期 内 会 感到 适 会 渐渐 引发 出 癌症 阿尔茨海默 式 症 帕金森 症 等 兔子", "全 木 手表 乌克兰 木匠 瓦列里·达内维奇 木头 制作 手表 共计 154 手工 零部件 唯一 一个 非 木制 零件 金属 弹簧 驱动 指针 运行 其他 零部件 材料 取自 桦树 苹果树 杏树 坚果树 竹子 黄杨树 愈疮木 非洲 红木 总共 耗时 7 打造 手表 不仅 能够 正常 运行 天 时间 误差 保持 5 分钟 之内 ")

# Create a corpus of the posts
postCorpus <- corpus(postText) 

# Make a dfm, removing numbers and punctuation
myDocTermMat <- dfm(postCorpus, stem = FALSE, removeNumbers = TRUE, removeTwitter = TRUE, removePunct = TRUE)

# Estimate a LDA Topic Model 
if (require(topicmodels)) {
  myLDAfit <- LDA(convert(myDocTermMat, to = "topicmodels"), k = 2)
}

terms(myLDAfit, 11)

Код работает, и я вижу результат. Вот пример вывода:

    Topic 1  Topic 2 
 [1,] "木"     "会"    
 [2,] "手表"   "电脑"  
 [3,] "零"     "乌克兰"
 [4,] "部件"   "前进"  
 [5,] "运行"   "食"    
 [6,] "乌克兰" "引发"  
 [7,] "内"     "癌症"  
 [8,] "全"     "等"    
 [9,] "木匠"   "症"    
[10,] "瓦"     "普"    
[11,] "列"     "京"      

Здесь проблема. Все мои сообщения были сегментированы (необходимый этап предварительной обработки для китайского языка) и были удалены стоп-слова. Тем не менее, модель темы возвращает темы, содержащие односимвольные термины остановки, которые уже были удалены. Если я открою необработанные файлы.txt и выполню ctrl-f для заданного односимвольного стоп-слова, результаты не будут возвращены. Но эти термины отображаются в возвращенных разделах кода R, возможно, потому, что отдельные символы встречаются как часть других многосимвольных слов. Например, 就 - предлог, рассматриваемый как стоп-слово, но 成就 означает "успех".

В связи с этим некоторые термины разделены. Например, одно из рассматриваемых мной событий содержит ссылки на президента России Путина ("("). Однако в результатах тематической модели я вижу отдельные записи терминов для "普" и "京", а для "普京" никаких записей нет. (См. Строки 10 и 11 в выходной теме 2 по сравнению с первым словом в необработанном тексте.)

Есть ли здесь дополнительный шаг токенизации?

Редактировать: Изменено, чтобы сделать воспроизводимым. По некоторым причинам это не позволило бы мне отправлять, пока я не удалил свой вступительный абзац.

Answer 1

Вот обходной путь, основанный на использовании более быстрого, но "тупого" токенайзера слова, основанного на пробелах ("\\s") расщепление:

# fails
features(dfm(postText, verbose = FALSE))
## [1] "普"     "京"     "称"     "俄罗斯" "未"     "乌克兰" "施压"   "来自"   "头"     "条"     "新闻"  
# works
features(dfm(postText, what = "fasterword", verbose = FALSE))
## [1] "普京"   "称"     "俄罗斯" "未"     "乌克兰" "施压"   "来自"   "头"     "条"     "新闻"  

Так добавь what = "fasterword" к dfm() позвоните, и вы получите это в результате, где Путин ("普京") не раскололся.

terms(myLDAfit, 11)
##      Topic 1  Topic 2         
##  [1,] "会"     "手表"          
##  [2,] "电脑"   "零部件"        
##  [3,] "乌克兰" "运行"          
##  [4,] "前进"   "乌克兰"        
##  [5,] "食"     "全"            
##  [6,] "引发"   "木"            
##  [7,] "癌症"   "木匠"          
##  [8,] "等"     "瓦列里达内维奇"
##  [9,] "症"     "木头"          
## [10,] "普京"   "制作"          
## [11,] "称"     "共计" 

Это интересный случай, когда токенайзер Quanteda по умолчанию, построенный на определении определения границ текста в stringi (см. Stri_split_boundaries, не работает в настройках по умолчанию. Это может произойти после экспериментирования с локалью, но в настоящее время это не параметры). которые могут быть переданы quanteda::tokenize(), который dfm() звонки.

Пожалуйста, подайте это как проблему на https://github.com/kbenoit/quanteda/issues и я постараюсь найти лучшее решение, используя "умнее" слово tokeniser.