(решается обновлением) Измерение сходства предложений с предложениями целевого документа (ошибка msg) - PullRequest
Новая
       41

(решается обновлением) Измерение сходства предложений с предложениями целевого документа (ошибка msg)

1 голос
/ 11 октября 2019

Я использую пакет R quanteda (версия 1.4.3, система Windows), чтобы найти почти дословное повторное использование текста в нескольких документах. В конце я хочу сравнить относительное влияние исходных документов, плюс хочу иметь возможность отображать экземпляры почти дословных совпадений. До сих пор я делал следующее:

  • собирать корпус из текстовых файлов
  • преобразовывать его в предложения для сравнения
  • разбивать его на токеныслова
  • построить матрицу признаков документа из слов ngrams 
library(magrittr)
library(readtext)
library(quanteda)

corpus    <-  readtext("data/*.txt",
                       docvarsfrom = "filenames",
                       dvsep = "_-_",
                       docvarnames = c("country"),
                       encoding = "UTF-8"
                      ) %>%
              corpus()

sentences <-  corpus_reshape(corpus,
                             to = "sentences",
                             use_docvars = TRUE
                            )

mytokens  <-  tokens(sentences,
                     what = "word",
                     include_docvars = TRUE
                    ) %>%
              tokens_ngrams(n = 3:5)

mydfm     <-  dfm(mytokens, tolower = TRUE)

Изучая результаты, они пока кажутся хорошими.

Однако, когда я пытаюсьчтобы вычислить сходство «документов» (т.е. предложений) с «документами» из моего целевого текста, я получаю ошибку: 

simil <- textstat_simil(mydfm,
                        dfm_subset(mydfm, country == "USA"),
                        margin = "documents",
                        method = "simple matching"
                       )
Error in selection[is.na(i)] : 
  invalid or not-yet-implemented 'Matrix' subsetting
  • Как мне избежать этой ошибки?
  • Хорошо ли я в первую очередь подхожу?

PS. Я прав, что это «include_docvars» в tokens (), но «use_docvars» в corpus_reshape ()? Я, кажется, получил это из справочных документов в Интернете.

...