使用正则表达式构建多词短语的特征向量，以在 R 中使用 quanteda 构建 dfm

Question

我非常满意 quanteda 的 textstat_collocation() 用于提取 MWE。现在我正在尝试提取所有匹配特定模式的匹配项，而不管它们的频率如何。

我的 objective 是通过从使用正则表达式模式构建的 dfm() 中提取特征名称来创建字符向量。然后，我将在 "select" 参数中使用此字符向量来构建 dfm。我可能还想使用此字符向量添加到我用作 ontology 的字典中，以便在管道的后期构建 dfms。

模式是："aged xx-xx" 其中 x 是一个数字。

我使用正则表达式模式 "aged\s([0-9]{2}-[0-9]{2})" here 并获得了所需的匹配项。但是当我在 R 中尝试它时（在“\s”之前添加一个额外的“\”），我没有得到任何匹配项。

当我这样做时：

txt <- c("In India, male smokers aged 20-45 perceive brandX positively.",
              "In Spain, female buyers aged 30-39 don't purchase brandY.")
ageGroups <- dfm(txt, select = "aged\s([0-9]{2}-[0-9]{2})", valuetype = "regex")
featnames(ageGroups)

我得到：

character(0)

然而，当我尝试时：

ageGroups <- dfm(txt, select = "([0-9]{2}-[0-9]{2})", valuetype = "regex")
featnames(ageGroups)

我得到：

[1] "20-45" "30-39"

看来我无法捕捉正则表达式中的白色 space。我在 SO 中经历了许多类似的问题，也许 this 是最相关的，但仍然无法使我的特定 objective 起作用。

我也试过：

tokens <- tokens(txt, remove_punct = FALSE, remove_numbers = FALSE, remove_symbols = FALSE)
tokensCompunded <- tokens_compound(tokens, pattern =  "aged\s([0-9]{2}-[0-9]{2})", valuetype = "regex")
attr(tokensCompunded, "types")

但是我拿回了所有代币：

[1] "In"         " "          "India"      ","          "male"       "smokers"    "aged"       "20-45"      "perceive"  
[10] "brandX"     "positively" "."          "Spain"      "female"     "buyers"     "30-39"      "don't"      "purchase"  
[19] "brandY"

我认为可能还有其他几种更有效的方法可以使用带有 quanteda 的正则表达式（或 glob）来提取字符向量，我很高兴学习如何使用这个令人惊叹的 R 包的新方法。

感谢您的帮助！

编辑原问题：

SO中的other question也有类似的要求，即使用kwic对象检测多词短语，可以进一步扩展以实现上述objectives添加以下内容：

kwicObject <- kwic(corpus, pattern = phrase("aged ([0-9]{2}-[0-9]{2})"), valuetype = "regex")
unique(kwicObject$keyword)

Answer 1

您可以更改正则表达式模式：

select = "aged.*([0-9]{2}-[0-9]{2})"

Answer 2

这里的问题是目标文本和多词 pattern（其中包含白色 space）没有以相同的方式进行标记化。在您的示例中，您已经为多个标记应用了正则表达式（其中包括白色 space 分隔符），但搜索目标已被拆分为单个标记。

我们为此设计了一个解决方案，一个名为 phrase() 的函数。来自 ?pattern:

Whitespace is not privileged, so that in a character vector, white space is interpreted literally. If you wish to consider whitespace-separated elements as sequences of tokens, wrap the argument in phrase().

所以在这种情况下：

pat <- "aged [0-9]{2}-[0-9]{2}"

toks2 <- tokens_select(toks, pattern = phrase(pat), valuetype = "regex")
toks2
# tokens from 2 documents.
# text1 :
# [1] "aged"  "20-45"
# 
# text2 :
# [1] "aged"  "30-39"

在这里，我们看到选择有效，因为 phrase() 包装器将模式转换为匹配序列。

如果你想让它们成为一个单一的标记，你可以将相同的 pattern 参数发送到 tokens_compound():

toks3 <- tokens_compound(toks2, pattern = phrase(pat), 
                         valuetype = "regex", concatenator = " ")
toks3
# tokens from 2 documents.
# text1 :
# [1] "aged 20-45"
# 
# text2 :
# [1] "aged 30-39"

最后，您可以使用它来构建 dfm，其中每个多词匹配都是一个特征。除非您首先在标记阶段执行了连接，否则这是行不通的，因为根据定义，dfm 在其特征中没有顺序。

dfm(toks3)
# Document-feature matrix of: 2 documents, 2 features (50% sparse).
# 2 x 2 sparse Matrix of class "dfm"
#        features
# docs    aged 20-45 aged 30-39
#   text1          1          0
#   text2          0          1

使用正则表达式构建多词短语的特征向量，以在 R 中使用 quanteda 构建 dfm

Construct a character vector of multi-word phrases using regex for building dfm using quanteda in R

r

regex

quanteda