Quanteda：用字典中的引理替换标记的最快方法？

Question

是否有比 R quanteda::tokens_lookup() 更快的替代方案？

我在 'quanteda' R 包中使用 tokens() 来标记包含 2000 个文档的数据框。每份文件为 50 - 600 字。这在我的 PC 上需要几秒钟（Microsoft R Open 3.4.1，Intel MKL（使用 2 个内核））。

我有一个字典对象，由近 600 000 个单词 (TERMS) 及其对应的词条 (PARENT) 的数据框构成。有 80 000 个不同的引理。

我使用 tokens_lookup() 将标记列表中的元素替换为在字典中找到的词元。但这至少需要 1.5 小时。 这个函数对于我的问题来说太慢了。有没有更快的方法，同时还能得到一个令牌列表？

我想直接转换标记列表，以便在使用字典后生成 ngram。如果我只想要 onegram，我可以通过将文档特征矩阵与字典连接起来轻松地做到这一点。

我怎样才能更快地做到这一点？将标记列表转换为数据框，加入字典，转换回有序标记列表？

示例代码如下：

library(quanteda)
myText <- c("the man runs home", "our men ran to work")
myDF <- data.frame(myText)
myDF$myText <- as.character(myDF$myText)

tokens <- tokens(myDF$myText, what = "word",
                 remove_numbers = TRUE, remove_punct = TRUE,
                 remove_symbols = TRUE, remove_hyphens = TRUE)
tokens
# tokens from 2 documents.
# text1 :
#   [1] "the"  "man"  "runs" "home"
# 
# text2 :
#   [1] "our"  "men"  "ran"  "to"   "work"

term <- c("man", "men", "woman", "women", "run", "runs", "ran")
lemma <- c("human", "human", "human", "humen", "run", "run", "run")
dict_df <- data.frame(TERM=term, LEMMA=lemma)
dict_df
# TERM LEMMA
# 1   man human
# 2   men human
# 3 woman human
# 4 women humen
# 5   run   run
# 6  runs   run
# 7   ran   run

dict_list <- list( "human" = c("man", "men", "woman", "women") , "run" = c("run", "runs", "ran"))
dict <- quanteda::dictionary(dict_list)
dict
# Dictionary object with 2 key entries.
# - human:
#   - man, men, woman, women
# - run:
#   - run, runs, ran

tokens_lemma <- tokens_lookup(tokens, dictionary=dict, exclusive = FALSE, capkeys = FALSE) 
tokens_lemma
#tokens from 2 documents.
# text1 :
#   [1] "the"   "human" "run"   "home" 
# 
# text2 :
#   [1] "our"   "human" "run"   "to"    "work"

tokens_ngrams <- tokens_ngrams(tokens_lemma, n = 1:2)
tokens_ngrams
#tokens from 2 documents.
# text1 :
#   [1] "the"       "human"     "run"       "home"      "the_human" "human_run" "run_home" 
# 
# text2 :
#   [1] "our"       "human"     "run"       "to"        "work"      "our_human" "human_run" "run_to"    "to_work"

Answer 1

我没有引理列表来对自己进行基准测试，但这是隐藏标记类型的最快方法。请尝试让我知道需要多长时间（应该在几秒钟内完成）。

tokens_convert <- function(x, from, to) {
    type <- attr(x, 'types')
    type_new <- to[match(type, from)]
    type_new <- ifelse(is.na(type_new), type, type_new)
    attr(x, 'types') <- type_new
    quanteda:::tokens_recompile(x)
}

tokens_convert(tokens, dict_df$TERM, dict_df$LEMMA)

Answer 2

我结合使用 quanteda 和 udpipe 对我的语料库进行标记化和词形还原。不知道与其他方法相比它有多快。请参阅以下示例：

library(udpipe)
library(quanteda)
dl <- udpipe_download_model(language = "dutch")
udmodel_dutch <- udpipe_load_model(file = "dutch-ud-2.0-170801.udpipe")
txt <- c("Ik ging op reis en ik nam mee: mijn laptop, mijn zonnebril en goed humeur.", "Deze zin is een andere test.")
x <- tokens(txt, what = "sentence", remove_numbers = T, remove_punct = T, remove_url = T, remove_symbols = T)
x <- udpipe_annotate(udmodel_dutch, unlist(x))
x <- as.data.frame(x)
x <- document_term_frequencies(x[, c("doc_id", "lemma")])
dtm <- document_term_matrix(x)

Answer 3

其中引理是 data.table 超过 10 万行，包含 $word 和 $lemma 列。 txttokens 包含超过 10k 个文本，每个文本平均包含 1000 个单词：

txttokens <- tokens_replace(txttokens,lemmas$word,lemmas$lemma)

执行不到 5 秒

Quanteda：用字典中的引理替换标记的最快方法？

Quanteda: Fastest way to replace tokens with lemma from dictionary?

text

dictionary

r

token

quanteda