R语言文本挖掘tf-idf,主题建模，情感分析,n-gram建模研究

原文链接：[](https://www.cnblogs.com/tecda...http://tecdat.cn/?p=6864[](https://www.cnblogs.com/tecda...

我们将 对1993年发送到20个Usenet公告板的20,000条消息进行分析。此数据集中的Usenet公告板包括新闻组用于政治，宗教，汽车，体育和密码学等主题。

预处理

我们首先阅读20news-bydate文件夹中的所有消息，这些消息组织在子文件夹中，每个消息都有一个文件。我们可以看到在这样的文件用的组合read_lines()，map()和unnest()。

raw_text

\n## 1 alt.atheism 49960 From: mathew \n## 2 alt.atheism 49960 Subject: Alt.Atheism FAQ: Atheist Resources \n## 3 alt.atheism 49960 Summary: Books, addresses, music -- anything related to atheism \n## 4 alt.atheism 49960 Keywords: FAQ, atheism, books, music, fiction, addres\n","classes":{"has":1}}" data-cke-widget-upcasted="1" data-cke-widget-keep-attr="0" data-widget="codeSnippet">## # A tibble: 511,655 x 3 ## newsgroup id text ## ## 1 alt.atheism 49960 From: mathew ## 2 alt.atheism 49960 Subject: Alt.Atheism FAQ: Atheist Resources ## 3 alt.atheism 49960 Summary: Books, addresses, music -- anything related to atheism ## 4 alt.atheism 49960 Keywords: FAQ, atheism, books, music, fiction, addres

## # … with 511,645 more rows

请注意该newsgroup列描述了每条消息来自哪20个新闻组，以及id列，用于标识该新闻组中的消息。

 

在新闻组中查找tf-idf

我们希望新闻组在主题和内容方面有所不同，因此，它们之间的词语频率也不同。

 

newsgroup_cors

\n## 1 talk.religion.misc soc.religion.christian 0.835\n## 2 soc.religion.christian talk.religion.misc 0.835\n## 3 alt.atheism talk.religion.misc 0.779\n## 4 talk.religion.misc alt.atheism 0.779\n## 5 alt.atheism soc.religion.christian 0.751\n## 6 soc.religion.christian alt.atheism 0.751\n## 7 comp.sys.mac.hardware comp.sys.ibm.pc.hardware 0.680\n## 8 comp.sys.ibm.pc.hardware comp.sys.mac.hardware 0.680\n## 9 rec.sport.baseball rec.sport.hockey 0.577\n## 10 rec.sport.hockey rec.sport.baseball 0.577\n## # … with 370 more rows\n\n","classes":{"has":1}}" data-cke-widget-upcasted="1" data-cke-widget-keep-attr="0" data-widget="codeSnippet">## # A tibble: 380 x 3 ## item1 item2 correlation ## ## 1 talk.religion.misc soc.religion.christian 0.835 ## 2 soc.religion.christian talk.religion.misc 0.835 ## 3 alt.atheism talk.religion.misc 0.779 ## 4 talk.religion.misc alt.atheism 0.779 ## 5 alt.atheism soc.religion.christian 0.751 ## 6 soc.religion.christian alt.atheism 0.751 ## 7 comp.sys.mac.hardware comp.sys.ibm.pc.hardware 0.680 ## 8 comp.sys.ibm.pc.hardware comp.sys.mac.hardware 0.680 ## 9 rec.sport.baseball rec.sport.hockey 0.577 ## 10 rec.sport.hockey rec.sport.baseball 0.577 ## # … with 370 more rows

主题建模

 LDA可以做同样的事情来整理来自不同新闻组的Usenet消息吗？

 

主题1当然代表sci.space新闻组（因此最常见的词是“空间”），主题2可能来自加密，使用诸如“密钥”和“加密”之类的术语。

情绪分析

我们可以使用我们 探讨的情绪分析技术来检查这些Usenet帖子中出现的正面和负面词的频率。哪些新闻组总体上最积极或最消极？

在这个例子中，我们将使用AFINN情感词典，它为每个单词提供数字积极性分数，并用条形图可视化

 

用语言分析情绪

值得深入了解_为什么_有些新闻组比其他新闻组更积极或更消极。为此，我们可以检查每个单词的总积极和消极贡献。

 

N-gram分析

Usenet数据集是一个更大的现代文本语料库，因此我们会对本文中的情绪分析感兴趣.