Eu estou fazendo uma mineração de texto em R com otm-pacote. Tudo funciona muito bem. No entanto, um problema ocorre após o stemming (http://en.wikipedia.org/wiki/Stemming). Obviamente, existem algumas palavras que têm o mesmo radical, mas é importante que elas não sejam "jogadas juntas" (como essas palavras significam coisas diferentes).

Por exemplo, veja os 4 textos abaixo. Aqui você não pode usar "palestrante" ou "palestra" ("associação" e "associado") intercambiáveis. No entanto, isso é o que é feito na etapa 4.

Existe alguma solução elegante como implementar isso para alguns casos / palavras manualmente (por exemplo, que "palestrante" e "palestra" são mantidos como duas coisas diferentes)?

texts <- c("i am member of the XYZ association",
"apply for our open associate position", 
"xyz memorial lecture takes place on wednesday", 
"vote for the most popular lecturer")

# Step 1: Create corpus
corpus <- Corpus(DataframeSource(data.frame(texts)))

# Step 2: Keep a copy of corpus to use later as a dictionary for stem completion
corpus.copy <- corpus

# Step 3: Stem words in the corpus
corpus.temp <- tm_map(corpus, stemDocument, language = "english")  

inspect(corpus.temp)

# Step 4: Complete the stems to their original form
corpus.final <- tm_map(corpus.temp, stemCompletion, dictionary = corpus.copy)  

inspect(corpus.final)