R语言文本数据挖掘（三）
作者：互联网
文本分词，就是对文本进行合理的分割，从而可以比较快捷地获取关键信息。例如，电商平台要想了解更多消费者的心声，就需要对消费者的文本评论数据进行内在信息的数据挖掘分析，而文本分词是文本挖掘的重要步骤。R语言中，对中文分词支持较好的包有RWordseg包和jiebaR包，这里学习jiebaR包。
一、jiebaR包简介
jiebaR 是中文分词的R语言版本，支持最大概率法（Maximum Probability），隐式马尔科夫模型（Hidden Markov Model），索引模型（QuerySegment），混合模型（MixSegment），共四种分词模式，同时有词性标注，关键词提取，文本Simhash相似度比较等功能。如果你想要用 R 语言做中文分词的话，我强烈建议你使用 jiebaR 包，其下载和使用都比较简单，都不需要复杂的配置，上手比较容易。
1. jiebaR包的安装和调用
install.packages("jiebaR")
library("jiebaR")
library(wordcloud2) #用于绘制词云图；
library(dplyr) #高效的数据整理工具。
2. jiebaR分词示例
work <- worker() #用到worker()函数，赋值给work
work["杭州的四月真美丽，想到西湖边吹吹风。"] #方括号中是要进行分词的语句
#运行结果
[1] "杭州" "的" "四月" "真" "美丽" "想到" "西湖" "边" "吹" "吹风"
3. 分词函数用法
worker()和segment()语法：jiebaR通过函数worker()来初始化分词引擎，使用函数segment()进行分词。两个函数语法：
——worker()函数
worker(type = "mix", dict = DICTPATH, hmm = HMMPATH,user = USERPATH, idf = IDFPATH, stop_word = STOPPATH, write = T,
qmax = 20, topn = 5, encoding = "UTF-8", detect = T,symbol = F, lines = 1e+05, output = NULL, bylines = F,
user_weight = "max")
——segment()函数
segment(code, jiebar, mod = NULL)
code:A Chinese sentence or the path of a text file. #分词文本
mod:change default result type, value can be "mix","hmm","query","full" or "mp" #分词算法
二、用户自定义词或词库的添加
1. 使用new_user_word函数
work_new_word<-worker()
new_user_word(work_new_word, c("吹吹风","太子湾","八卦田"))
segment(juzi,work_new_word)
2. 使用user参数添加词库
利用Notepad++编写一个名为ciku.txt的文档，放了三个词：吹吹风、太子湾、八卦田。把这个txt存入getwd()的路径里。再利用worker(user)调用：
work_user<-worker(user="ciku.txt")
segment(juzi,work_user)
（可能会问，为什么不直接用txt文本呢？我一开始也是直接用txt写的，发现有毒，一引用R就崩了。有人给出了解答：如果你的词库是用记事本写的话，因为编码有时不是UTF-8,使用时会出现各种错误，甚至软件奔溃。所以建议使用notepad++编辑，将编码设置为utf-8，另存为txt文件。）
3. 使用user参数添加词库借用搜狗细胞词库
搜狗提供了大量的专业领域词汇，其词库具有专门的.scel格式，词库导出与导入非常麻烦，这时，需要用到搜狗细胞词库转化包cidian，它不仅能够在R中将搜狗词库的scel格式转化为可读的词库，并且还能直接被分词包jiebaR调用！但需要注意的是：cidian包没有发布在CRAN，而是发布在github中，所以需要先获得开发者工具Rtools才能进行安装，也要用到install_github()函数。
#安装cidian包
install.packages("devtools") #R的开发者工具
install.packages("stringi") #强大的字符处理包
install.packages("pbapply") #能够为*apply族函数增加进度条
install.packages("Rcpp")
install.packages("RcppProgress") #Rcpp和RcppProgress让R直接调用外部的C++程序，增加运算速度
library(devtools)
install_github("qinwf/cidian") #用来从github上安装R包的函数，“qinwf”应该是cidian的作者
library(cidian)
cidian包安装完后，下一步，需要自己到搜狗词库里下载想要的词库，如图：
点进去下载后，词库名为：杭州市城市信息精选.scel，把这个scel文件复制到getwd()路径里，我是放在默认的C盘用户文档里。
decode_scel(scel = "./杭州市城市信息精选.scel",cpp = TRUE)
output file: ./杭州市城市信息精选.scel_2018-04-19_00_57_55.dict
#转好后，查看生成的词典文件：
scan(file="./杭州市城市信息精选.scel_2018-04-19_00_57_55.dict",
what=character(),nlines=30,sep='\n',
encoding='utf-8',fileEncoding='utf-8')
#Read 30 items，输出为：
[1] "阿棒 n" "阿宝 n" "阿宝饭店 n" "阿宝童装 n"
[5] "阿波罗 n" "阿波罗酒店 n" "阿初 n" "阿迪达斯 n"
[9] "阿东饭店 n" "阿芬 n" "阿国饭店 n" "阿拉丁 n"
[13] "阿里山大酒店 n" "阿良饭店 n" "阿龙造型 n" "阿玛施 n"
[17] "阿玛施服饰 n" "阿曼尼 n" "阿明网吧 n" "阿潘老汤面 n"
[21] "阿三饭店 n" "阿汤面馆 n" "阿伟 n" "阿香婆 n"
[25] "阿依莲 n" "阿英煲 n" "阿英川菜馆 n" "爱得利 n"
[29] "爱德医院 n" "爱都 n"
接下来，需要把这个想要的词典放到R的分词库里。用show_dictpath()函数查看默认词典位置。查看目前系统自带的词库：
dir(show_dictpath())
[1] "backup.rda" "hmm_model.utf8" "hmm_model.zip" "idf.utf8"
[5] "idf.zip" "jieba.dict.utf8" "jieba.dict.zip" "model.rda"
[9] "README.md" "stop_words.utf8" "user.dict.utf8"
词库对应的内容为：
jieba.dict.utf8, 系统词典文件，最大概率法，utf8编码的
hmm_model.utf8, 系统词典文件，隐式马尔科夫模型，utf8编码的
user.dict.utf8, 用户词典文件，utf8编码的
stop_words.utf8，停止词文件，utf8编码的
idf.utf8，IDF语料库，utf8编码的
jieba.dict.zip，jieba.dict.utf8的压缩包
hmm_model.zip，hmm_model.utf8的压缩包
idf.zip，idf.utf8的压缩包
backup.rda，无注释
model.rda，无注释
README.md，说明文件
重点来了，把搜狗词典文件改名，从杭州市城市信息精选.scel_2018-04-19_00_57_55.dict到user.dict.utf8，然后替换D:/R/R-3.4.4/library/jiebaRD/dict目录下面的user.dict.utf8。这样默认的用户词典，就是搜狗词典了，可以检验下新的user.dict.utf8：
scan(file="D:/R/R-3.4.4/library/jiebaRD/dict/user.dict.utf8",what=character(),nlines=30,sep='\n',encoding='utf-8',fileEncoding='utf-8')
三、 停用词过滤
停止词是分词过程中，我们不需要作为结果的词，比如：我、你、的、是，a,the,or,and等。这些词在统计词频的时候意义不大，且会增加噪音，需要对这些词进行过滤。在jiebaR中，过滤停止词有2种方法，一种是通过配置stop_word文件，另一种是使用filter_segment()函数。
1. 配置stop_word文件
先利用Notepad++编写一个名为stop_word.txt的文档，里面包含“的”、“和”。把stop_word.txt存入getwd()的路径里。再利用worker()函数调用：
#加载分词引擎，并配置停止词过滤
work = worker(stop_word="stop_word.txt")
guolv <- segment(juzi,work)
guolv
[1] "杭州" "四月" "真" "美丽" "想到" "西湖"
[7] "边" "吹" "吹风" "灵峰" "孤山" "梅花"
[13] "龙井八景" "桃花" "太子湾" "郁金香" "白堤" "间株"
[19] "桃柳" "八卦田" "油菜花" "美不胜收"
#禁用“的”，“和”后，运行结果里果然也没有这两个字了。
2. filter_segment()函数
在上面的过滤基础上，利用filter_segment()继续过滤掉“想到”、“边”两个词：
filter<-c("想到","边")
filter_segment(guolv,filter)
[1] "杭州" "四月" "真" "美丽" "西湖" "吹"
[7] "吹风" "灵峰" "孤山" "梅花" "龙井八景" "桃花"
[13] "太子湾" "郁金香" "白堤" "间株" "桃柳" "八卦田"
[19] "油菜花" "美不胜收"
四、关键词提取
前面讲了这么多，都是关于如何更好的进行分词。做好分词这一步，更核心的就是提取关键词。TF-IDF算法是提取关键词的经典算法。
TF（Term Frequenc），词频。一个词在文章中出现的次数越多，重要性也越大（过滤停用词）。
IDF（Inverse Document Frequency），逆文档频率。在词频的基础上，要对每个词分配一个"重要性"权重。最常见的词（"的"、"是"）给予较小的权重，，较少见的词（"太子湾"、"八卦田"）给予较大的权重。这个权重叫做"逆文档频率"，它的大小与一个词的常见程度成反比。jiebaR包中的idf.utf8文件，为IDF语料库，用来模拟语言的使用环境，计算好逆文档频率。
TF-TDF = 词频TF * 逆文档频率IDF
某个词对文章的重要性越高，它的TF-IDF值就越大。所以，排在最前面的几个词，就是这篇文章的关键词。
学习完原理后，可以着手实操一下了。先查看在安装目录中的IDF的语料库——idf.utf8文件。
scan(file="D:/R/R-3.4.4/library/jiebaRD/dict/idf.utf8",what=character(),nlines=20,sep='\n',encoding='utf-8',fileEncoding='utf-8')
#Read 20 items
[1] "劳动防护 13.900677652" "生化学 13.900677652"
[3] "奥萨贝尔 13.900677652" "考察队员 13.900677652"
[5] "岗上 11.5027823792" "倒车档 12.2912397395"
[7] "编译 9.21854642485" "蝶泳 11.1926274509"
[9] "外委 11.8212361103" "故作高深 11.9547675029"
[11] "尉遂成 13.2075304714" "心源性 11.1926274509"
[13] "现役军人 10.642581114" "杜勃留 13.2075304714"
[15] "包天笑 13.900677652" "贾政陪 13.2075304714"
[17] "托尔湾 13.900677652" "多瓦 12.5143832909"
[19] "多瓣 13.900677652" "巴斯特尔 11.598092559"
idf.utf8文件每一行有2列，第一列是词项，第二列为权重，即IDF值，如“生化学”是13.9。然后，计算文档词频(TF)，用到freq()函数：
freq(guolv)
keys <- worker("keywords",topn=5)
vector_keywords(guolv,keys)
#vector_keywords(guolv,keys)
11.8212 11.7392 11.7392 11.7392 11.7392
"灵峰" "太子湾" "桃柳" "间株" "八卦田"
参考文献
- (R语言：jiebaR 包实现中文分词、统计词频及绘制词云图)[https://zhuanlan.zhihu.com/p/499935064]
- (R学习整理笔记（五）——用jiebaR包进行中文分词)[https://zhuanlan.zhihu.com/p/35846130]
标签：jiebaR,语言,utf8,dict,user,词库,数据挖掘,文本,分词 来源： https://www.cnblogs.com/haohai9309/p/16294660.html