Действительно быстрая векторизация слова ngram в R
редактировать: новый пакет text2vec отлично, и решает эту проблему (и многие другие) очень хорошо.
text2vec на CRAN text2vec на github виньетка, иллюстрирующая токенизацию ngram
У меня есть довольно большой набор текстовых данных в R, который я импортировал как символьный вектор:
#Takes about 15 seconds
system.time({
set.seed(1)
samplefun <- function(n, x, collapse){
paste(sample(x, n, replace=TRUE), collapse=collapse)
}
words <- sapply(rpois(10000, 3) + 1, samplefun, letters, '')
sents1 <- sapply(rpois(1000000, 5) + 1, samplefun, words, ' ')
})
Я могу преобразовать эти символьные данные в представление пакета слов следующим образом:
library(stringi)
library(Matrix)
tokens <- stri_split_fixed(sents1, ' ')
token_vector <- unlist(tokens)
bagofwords <- unique(token_vector)
n.ids <- sapply(tokens, length)
i <- rep(seq_along(n.ids), n.ids)
j <- match(token_vector, bagofwords)
M <- sparseMatrix(i=i, j=j, x=1L)
colnames(M) <- bagofwords
Таким образом, R может векторизовать 1 000 000 миллионов коротких предложений в представление пакета слов за 3 секунды (неплохо!):
> M[1:3, 1:7]
10 x 7 sparse Matrix of class "dgCMatrix"
fqt hqhkl sls lzo xrnh zkuqc mqh
[1,] 1 1 1 1 . . .
[2,] . . . . 1 1 1
[3,] . . . . . . .
Я могу бросить эту разреженную матрицу вglmnet или жеirlba и сделайте некоторый довольно удивительный количественный анализ текстовых данных. Ура!
Теперь я хотел бы расширить этот анализ на матрицу мешков с грамматикой, а не на матрицу мешков с словами. До сих пор самый быстрый способ, который я нашел для этого, заключается в следующем (все функции ngram, которые я мог найти в CRAN, перекрыли этот набор данных, поэтомуЯ получил небольшую помощь от SO):
find_ngrams <- function(dat, n, verbose=FALSE){
library(pbapply)
stopifnot(is.list(dat))
stopifnot(is.numeric(n))
stopifnot(n>0)
if(n == 1) return(dat)
pblapply(dat, function(y) {
if(length(y)<=1) return(y)
c(y, unlist(lapply(2:n, function(n_i) {
if(n_i > length(y)) return(NULL)
do.call(paste, unname(as.data.frame(embed(rev(y), n_i), stringsAsFactors=FALSE)), quote=FALSE)
})))
})
}
text_to_ngrams <- function(sents, n=2){
library(stringi)
library(Matrix)
tokens <- stri_split_fixed(sents, ' ')
tokens <- find_ngrams(tokens, n=n, verbose=TRUE)
token_vector <- unlist(tokens)
bagofwords <- unique(token_vector)
n.ids <- sapply(tokens, length)
i <- rep(seq_along(n.ids), n.ids)
j <- match(token_vector, bagofwords)
M <- sparseMatrix(i=i, j=j, x=1L)
colnames(M) <- bagofwords
return(M)
}
test1 <- text_to_ngrams(sents1)
Это займет около 150 секунд (неплохо для чистой функции r), но я бы хотел пойти быстрее и расширить наборы данных большего размера.
Есть лидействительно быстро функции в R для n-граммовой векторизации текста? В идеале я ищуRcpp функция, которая принимает символьный вектор в качестве входных данных и возвращает разреженную матрицу документов x нграмм в качестве выходных данных, но также была бы рада получить некоторое руководство по написанию самой функции Rcpp.
Даже более быстрая версияfind_ngrams
функция будет полезна, так как это является основным узким местом. R удивительно быстр при токенизации.
Редактировать 1 Вот еще один пример набора данных:
sents2 <- sapply(rpois(100000, 500) + 1, samplefun, words, ' ')
В этом случае мои функции для создания матрицы мешков слов занимают около 30 секунд, а мои функции для создания матрицы мешков слов - около 500 секунд. Опять же, существующие n-грамм-векторизаторы в R, похоже, душат этот набор данных (хотя я бы хотел, чтобы меня ошиблись!)
Редактировать 2 Сроки против тау:
zach_t1 <- system.time(zach_ng1 <- text_to_ngrams(sents1))
tau_t1 <- system.time(tau_ng1 <- tau::textcnt(as.list(sents1), n = 2L, method = "string", recursive = TRUE))
tau_t1 / zach_t1 #1.598655
zach_t2 <- system.time(zach_ng2 <- text_to_ngrams(sents2))
tau_t2 <- system.time(tau_ng2 <- tau::textcnt(as.list(sents2), n = 2L, method = "string", recursive = TRUE))
tau_t2 / zach_t2 #1.9295619