Текст Mining в R с персидским

Question

Я собираюсь сделать несколько простых данных анализа (частота, биграммы, триграммы) на некоторых постах в Facebook на персидском языке, которые я собрал и заархивировал в CSV. Ниже приведен сценарий, который я использовал бы с engli sh языком csv комментариев на Facebook, чтобы разложить все отдельные слова в свои столбцы.

stp_tidy <- stc2 %>%
  filter(!str_detect(Message, "^RT")) %>%
  mutate(text = str_replace_all(Message, "https://t.co/[A-Za-z\\d]+|http://[A-Za-z\\d]+|&amp;|&lt;|&gt;|RT","")) %>%
  unnest_tokens(word, text, token = "regex", pattern = reg_words) %>%
  filter(!word %in% stop_words$word,
         str_detect(word, "[a-z]"))

Кто-нибудь знает какой-либо метод применения unnest_tokens в персидском (или, если быть точным, языке дари c)?

Answer 1

2 варианта. Первый пример использует quanteda, второй пример использует udpipe.

Обратите внимание, что печать столбцов с помощью фарси странная, особенности и значения, как правило, печатаются в неправильных столбцах, но данные правильно хранятся внутри объекты для дальнейшей обработки. Существует небольшая разница в выходных данных между двумя вариантами. Но они имеют тенденцию быть незначительными. Обратите внимание, что для чтения данных я использовал пакет readtext. Это имеет тенденцию играть хорошо с Quanteda.

1 квантеда

library(quanteda)
library(readtext)
# library(stopwords)

stp_test <- readtext("stp_test.csv", encoding = "UTF-8")

stp_test$Message[stp_test$Message != ""]
stp_test$text[stp_test$text != ""]

# remove records with empty messages

stp_test <- stp_test[stp_test$Message != "", ]

stp_corp <- corpus(stp_test, 
                   docid_field = "doc_id",
                   text_field = "Message")


stp_toks <- tokens(stp_corp, remove_punct = TRUE)
stp_toks <- tokens_remove(stp_toks, stopwords::stopwords(language = "fa", source = "stopwords-iso"))


# step for creating ngrams 1-3 can be done here, after removing stopwords. 
# stp_ngrams <- tokens_ngrams(stp_toks, n = 1L:3L, concatenator = "_")

stp_dfm <- dfm(stp_toks)
textstat_frequency(stp_dfm)

# transform into tidy data.frame
library(dplyr)
library(tidyr)
quanteda_tidy_out <- convert(stp_dfm, to = "data.frame") %>% 
  pivot_longer(-document, names_to = "features")

2 udpipe

library(udpipe)
model <- udpipe_download_model(language = "persian-seraji")
ud_farsi <- udpipe_load_model(model$file_model)

# use stp_test from quanteda example.
x <- udpipe_annotate(ud_farsi, doc_id = stp_test$doc_id, stp_test$Message)
stp_df <- as.data.frame(x)


# selecting only nouns and verbs and removing stopwords 
ud_tidy_out <- stp_df %>% 
  filter(upos %in% c("NOUN", "VERB"),
         !token %in% stopwords::stopwords(language = "fa", source = "stopwords-iso")) 

Оба пакета имеют хорошие виньетки и страницы поддержки.