Quanteda：给定 n-1 个前身，如何获取 ngram 及其频率 words/types

Question

对于使用 ngrams 的下一个词预测，我需要找到给定 n-1 个前导词的所有 ngrams（及其频率）。
在 dfm 中，我看不到任何方法可以做到这一点，因此开始在 texstat_frequency (data.frame) 上手动实施它。
在 this page 中遇到一些我不清楚文档的方法后，我想知道是否有办法，只是我看不到它（也许是列出但未以某种方式描述的“[”方法之一我明白了）因此这个问题。
（隐含地可能错误地排除了使用我通常喜欢的正则表达式，因为偏见运行它们在数十万个字符串上可能太 slow/heavy）

按照评论中的建议查看 fcm() ，但我只能得到 ngrams 之后的 ngrams，就像下面的代码一样，这不是我问的，因为它只适用于 n = 2（并且需要将结果矩阵子集化为给定的 (n-1)gram）。

txt <- c("a b 1 2 3 a b 2 3 4 a b 3 4 5")
fcm(tokens(txt, ngram = 2), "window", window = 1, ordered = T)
Feature co-occurrence matrix of: 10 by 10 features.
10 x 10 sparse Matrix of class "fcm"
        features
features a_b b_1 1_2 2_3 3_a b_2 3_4 4_a b_3 4_5
     a_b   0   1   0   0   0   1   0   0   1   0
     b_1   0   0   1   0   0   0   0   0   0   0
     1_2   0   0   0   1   0   0   0   0   0   0
     2_3   0   0   0   0   1   0   1   0   0   0
     3_a   1   0   0   0   0   0   0   0   0   0
     b_2   0   0   0   1   0   0   0   0   0   0
     3_4   0   0   0   0   0   0   0   1   0   1
     4_a   1   0   0   0   0   0   0   0   0   0
     b_3   0   0   0   0   0   0   1   0   0   0
     4_5   0   0   0   0   0   0   0   0   0   0

以上代码使用从 github 2018 年 8 月 20 日安装的 quanteda，其中应包含此问题

生成的 this fix

packageVersion("quanteda")
[1] ‘1.3.5’

Answer 1

包贡献者提供了示例代码 (here)，展示了如何实现我所要求的，文本不是太大。我在此处重现该代码并进行了一些简化和注释，以使其尽可能易于理解

sample_code <- function() {

  require(quanteda)

  print(paste("based on","https://github.com/quanteda/quanteda/issues/1413#issuecomment-414795832"))
  print("great package great support, thanks")

  ngms <- tokens("a b 1 2 3 a b 2 3 4 a b 3 4 5", n = 2:5)

  # get rid of tokens metadata not necessary for our UC
  ngms_lst <-  as.list(ngms)
  ngms_unlst  <- unlist(ngms_lst) # (named) character with _ sep. ngrams

  # split in " "-separated pairs:  "n-1 tokens", "nth token"
  ngms_blank_sep <- stringi::stri_replace_last_fixed(ngms_unlst,"_", " ")

  # list of character(2)  ( (n-1)gram ,nth token )
  tk2_lst <- tokens(ngms_blank_sep)

  # --- end of tokens/ngrams pre-processing

  # ordinary fcm
  fcm_ord <- fcm(tk2_lst , ordered = TRUE)

  fcm_ord[33:39, 1:6]
}


sample_code()
[1] "based on https://github.com/quanteda/quanteda/issues/1413#issuecomment-414795832"
[1] "great package great support, thanks"
Feature co-occurrence matrix of: 7 by 6 features.
7 x 6 sparse Matrix of class "fcm"
         features
features  a b 1 2 3 4
  3_a_b_2 0 0 0 0 1 0
  a_b_2_3 0 0 0 0 0 1
  b_2_3_4 1 0 0 0 0 0
  2_3_4_a 0 1 0 0 0 0
  3_4_a_b 0 0 0 0 1 0
  4_a_b_3 0 0 0 0 0 1
  a_b_3_4 0 0 0 0 0 0

Quanteda：给定 n-1 个前身，如何获取 ngram 及其频率 words/types

Quanteda: how to get ngrams, and their frequences, given n-1 predecessor words/types

quanteda

dfm