R 中真正快速的单词 ngram 向量化
Really fast word ngram vectorization in R
编辑：新包 text2vec 非常好，很好地解决了这个问题（以及许多其他问题）。
text2vec on CRAN
text2vec on github
vignette that illustrates ngram tokenization
我在 R 中有一个非常大的文本数据集，我已将其导入为字符向量：
#Takes about 15 seconds
system.time({
set.seed(1)
samplefun <- function(n, x, collapse){
paste(sample(x, n, replace=TRUE), collapse=collapse)
}
words <- sapply(rpois(10000, 3) + 1, samplefun, letters, '')
sents1 <- sapply(rpois(1000000, 5) + 1, samplefun, words, ' ')
})
我可以将此字符数据转换为词袋表示，如下所示：
library(stringi)
library(Matrix)
tokens <- stri_split_fixed(sents1, ' ')
token_vector <- unlist(tokens)
bagofwords <- unique(token_vector)
n.ids <- sapply(tokens, length)
i <- rep(seq_along(n.ids), n.ids)
j <- match(token_vector, bagofwords)
M <- sparseMatrix(i=i, j=j, x=1L)
colnames(M) <- bagofwords
因此 R 可以在大约 3 秒内将 1,000,000 百万个短句向量化为词袋表示（不错！）：
> M[1:3, 1:7]
10 x 7 sparse Matrix of class "dgCMatrix"
fqt hqhkl sls lzo xrnh zkuqc mqh
[1,] 1 1 1 1 . . .
[2,] . . . . 1 1 1
[3,] . . . . . . .
我可以将这个稀疏矩阵放入 glmnet or irlba 中，并对文本数据进行一些非常棒的定量分析。万岁！
现在我想将此分析扩展到 bag-of-ngrams 矩阵，而不是 bag-of-words 矩阵。到目前为止，我发现执行此操作的最快方法如下（我可以在 CRAN 上找到的所有 ngram 函数都在此数据集上阻塞，因此 I got a little help from SO）：
find_ngrams <- function(dat, n, verbose=FALSE){
library(pbapply)
stopifnot(is.list(dat))
stopifnot(is.numeric(n))
stopifnot(n>0)
if(n == 1) return(dat)
pblapply(dat, function(y) {
if(length(y)<=1) return(y)
c(y, unlist(lapply(2:n, function(n_i) {
if(n_i > length(y)) return(NULL)
do.call(paste, unname(as.data.frame(embed(rev(y), n_i), stringsAsFactors=FALSE)), quote=FALSE)
})))
})
}
text_to_ngrams <- function(sents, n=2){
library(stringi)
library(Matrix)
tokens <- stri_split_fixed(sents, ' ')
tokens <- find_ngrams(tokens, n=n, verbose=TRUE)
token_vector <- unlist(tokens)
bagofwords <- unique(token_vector)
n.ids <- sapply(tokens, length)
i <- rep(seq_along(n.ids), n.ids)
j <- match(token_vector, bagofwords)
M <- sparseMatrix(i=i, j=j, x=1L)
colnames(M) <- bagofwords
return(M)
}
test1 <- text_to_ngrams(sents1)
这大约需要 150 秒（对于纯 r 函数来说还不错），但我想走得更快并扩展到更大的数据集。
R 中是否有任何真正快速 的函数用于文本的 n-gram 向量化？理想情况下，我正在寻找一个 Rcpp 函数，它将字符向量作为输入，returns 文档 x ngrams 的稀疏矩阵作为输出，但也很高兴有一些编写 Rcpp 函数的指导我自己。
即使 find_ngrams 函数的更快版本也会有所帮助，因为这是主要瓶颈。 R 在标记化方面出奇地快。
编辑 1
这是另一个示例数据集：
sents2 <- sapply(rpois(100000, 500) + 1, samplefun, words, ' ')
在这种情况下，创建词袋矩阵的函数大约需要 30 秒，而创建 ngrams 矩阵的函数大约需要 500 秒。同样，R 中现有的 n-gram 向量化器似乎对这个数据集感到窒息（尽管我很想被证明是错误的！）
编辑 2
计时与 tau：
zach_t1 <- system.time(zach_ng1 <- text_to_ngrams(sents1))
tau_t1 <- system.time(tau_ng1 <- tau::textcnt(as.list(sents1), n = 2L, method = "string", recursive = TRUE))
tau_t1 / zach_t1 #1.598655
zach_t2 <- system.time(zach_ng2 <- text_to_ngrams(sents2))
tau_t2 <- system.time(tau_ng2 <- tau::textcnt(as.list(sents2), n = 2L, method = "string", recursive = TRUE))
tau_t2 / zach_t2 #1.9295619
这是一个非常有趣的问题，我在 quanteda 包中花了很多时间来解决这个问题。它涉及三个方面，我将对此进行评论，尽管只有第三个方面真正解决了您的问题。但前两点解释了为什么我只关注 ngram 创建功能，因为——正如你所指出的——这是可以提高速度的地方。
Tokenization.这里你在space字符上使用string::str_split_fixed()，这是最快的，但不是最好的方法用于标记化。我们在 quanteda::tokenize(x, what = "fastest word") 中几乎完全相同地实现了这一点。它不是最好的，因为 stringi 可以更智能地实现 whitespace 定界符。 （甚至字符 class \s 也更聪明，但速度稍慢——这是作为 what = "fasterword" 实现的）。你的问题不是关于标记化，所以这一点只是上下文。
制表文档特征矩阵。这里我们同样使用了Matrix包，对文档和特征（我称它们为特征，而不是术语）进行索引，并像上面的代码一样直接创建一个稀疏矩阵。但是您使用 match() 比我们通过 data.table 使用的 match/merge 方法快很多。我将重新编写 quanteda::dfm() 函数，因为您的方法更优雅、更快速。真的，真的很高兴看到这个！
ngram 创建。在这里，我认为我实际上可以在性能方面提供帮助。我们通过 quanteda::tokenize() 的参数 grams = c(1) 在 quanteda 中实现它，其中值可以是任何整数集。例如，我们对 unigrams 和 bigrams 的匹配是 ngrams = 1:2。您可以检查 https://github.com/kbenoit/quanteda/blob/master/R/tokenize.R 处的代码，查看内部函数 ngram()。我在下面复制了这个并制作了一个包装器，以便我们可以直接将它与您的 find_ngrams() 函数进行比较。
代码：
# wrapper
find_ngrams2 <- function(x, ngrams = 1, concatenator = " ") {
if (sum(1:length(ngrams)) == sum(ngrams)) {
result <- lapply(x, ngram, n = length(ngrams), concatenator = concatenator, include.all = TRUE)
} else {
result <- lapply(x, function(x) {
xnew <- c()
for (n in ngrams)
xnew <- c(xnew, ngram(x, n, concatenator = concatenator, include.all = FALSE))
xnew
})
}
result
}
# does the work
ngram <- function(tokens, n = 2, concatenator = "_", include.all = FALSE) {
if (length(tokens) < n)
return(NULL)
# start with lower ngrams, or just the specified size if include.all = FALSE
start <- ifelse(include.all,
1,
ifelse(length(tokens) < n, 1, n))
# set max size of ngram at max length of tokens
end <- ifelse(length(tokens) < n, length(tokens), n)
all_ngrams <- c()
# outer loop for all ngrams down to 1
for (width in start:end) {
new_ngrams <- tokens[1:(length(tokens) - width + 1)]
# inner loop for ngrams of width > 1
if (width > 1) {
for (i in 1:(width - 1))
new_ngrams <- paste(new_ngrams,
tokens[(i + 1):(length(tokens) - width + 1 + i)],
sep = concatenator)
}
# paste onto previous results and continue
all_ngrams <- c(all_ngrams, new_ngrams)
}
all_ngrams
}
这里是简单文本的比较：
txt <- c("The quick brown fox named Seamus jumps over the lazy dog.",
"The dog brings a newspaper from a boy named Seamus.")
tokens <- tokenize(toLower(txt), removePunct = TRUE)
tokens
# [[1]]
# [1] "the" "quick" "brown" "fox" "named" "seamus" "jumps" "over" "the" "lazy" "dog"
#
# [[2]]
# [1] "the" "dog" "brings" "a" "newspaper" "from" "a" "boy" "named" "seamus"
#
# attr(,"class")
# [1] "tokenizedTexts" "list"
microbenchmark::microbenchmark(zach_ng <- find_ngrams(tokens, 2),
ken_ng <- find_ngrams2(tokens, 1:2))
# Unit: microseconds
# expr min lq mean median uq max neval
# zach_ng <- find_ngrams(tokens, 2) 288.823 326.0925 433.5831 360.1815 542.9585 897.469 100
# ken_ng <- find_ngrams2(tokens, 1:2) 74.216 87.5150 130.0471 100.4610 146.3005 464.794 100
str(zach_ng)
# List of 2
# $ : chr [1:21] "the" "quick" "brown" "fox" ...
# $ : chr [1:19] "the" "dog" "brings" "a" ...
str(ken_ng)
# List of 2
# $ : chr [1:21] "the" "quick" "brown" "fox" ...
# $ : chr [1:19] "the" "dog" "brings" "a" ...
对于非常大的模拟文本，比较如下：
tokens <- stri_split_fixed(sents1, ' ')
zach_ng1_t1 <- system.time(zach_ng1 <- find_ngrams(tokens, 2))
ken_ng1_t1 <- system.time(ken_ng1 <- find_ngrams2(tokens, 1:2))
zach_ng1_t1
# user system elapsed
# 230.176 5.243 246.389
ken_ng1_t1
# user system elapsed
# 58.264 1.405 62.889
已经有所改进，如果可以进一步改进，我会很高兴。我还应该能够将更快的 dfm() 方法实现到 quanteda 中，这样您就可以简单地通过以下方式获得您想要的：
dfm(sents1, ngrams = 1:2, what = "fastestword",
toLower = FALSE, removePunct = FALSE, removeNumbers = FALSE, removeTwitter = TRUE))
（这已经有效，但比你的整体结果慢，因为你创建最终稀疏矩阵对象的方式更快 - 但我会很快改变它。）
这是使用 tokenizers 开发版本的测试，您可以使用 devtools::install_github("ropensci/tokenizers").
使用上面 sents1、sents2 和 find_ngrams() 的定义：
library(stringi)
library(magrittr)
library(tokenizers)
library(microbenchmark)
library(pbapply)
set.seed(198)
sents1_sample <- sample(sents1, 1000)
sents2_sample <- sample(sents2, 1000)
test_sents1 <- microbenchmark(
find_ngrams(stri_split_fixed(sents1_sample, ' '), n = 2),
tokenize_ngrams(sents1_sample, n = 2),
times = 25)
test_sents1
结果：
Unit: milliseconds
expr min lq mean
find_ngrams(stri_split_fixed(sents1_sample, " "), n = 2) 79.855282 83.292816 102.564965
tokenize_ngrams(sents1_sample, n = 2) 4.048635 5.147252 5.472604
median uq max neval cld
93.622532 109.398341 226.568870 25 b
5.479414 5.805586 6.595556 25 a
正在测试 sents2
test_sents2 <- microbenchmark(
find_ngrams(stri_split_fixed(sents2_sample, ' '), n = 2),
tokenize_ngrams(sents2_sample, n = 2),
times = 25)
test_sents2
结果：
Unit: milliseconds
expr min lq mean
find_ngrams(stri_split_fixed(sents2_sample, " "), n = 2) 509.4257 521.7575 562.9227
tokenize_ngrams(sents2_sample, n = 2) 288.6050 295.3262 306.6635
median uq max neval cld
529.4479 554.6749 844.6353 25 b
306.4858 310.6952 332.5479 25 a
直接检查时间
timing <- system.time({find_ngrams(stri_split_fixed(sents1, ' '), n = 2)})
timing
user system elapsed
90.499 0.506 91.309
timing_tokenizers <- system.time({tokenize_ngrams(sents1, n = 2)})
timing_tokenizers
user system elapsed
6.940 0.022 6.964
timing <- system.time({find_ngrams(stri_split_fixed(sents2, ' '), n = 2)})
timing
user system elapsed
138.957 3.131 142.581
timing_tokenizers <- system.time({tokenize_ngrams(sents2, n = 2)})
timing_tokenizers
user system elapsed
65.22 1.57 66.91
很大程度上取决于被标记化的文本，但这似乎表明加速了 2 到 20 倍。
编辑：新包 text2vec 非常好，很好地解决了这个问题（以及许多其他问题）。
text2vec on CRAN text2vec on github vignette that illustrates ngram tokenization
我在 R 中有一个非常大的文本数据集，我已将其导入为字符向量：
#Takes about 15 seconds
system.time({
set.seed(1)
samplefun <- function(n, x, collapse){
paste(sample(x, n, replace=TRUE), collapse=collapse)
}
words <- sapply(rpois(10000, 3) + 1, samplefun, letters, '')
sents1 <- sapply(rpois(1000000, 5) + 1, samplefun, words, ' ')
})
我可以将此字符数据转换为词袋表示，如下所示：
library(stringi)
library(Matrix)
tokens <- stri_split_fixed(sents1, ' ')
token_vector <- unlist(tokens)
bagofwords <- unique(token_vector)
n.ids <- sapply(tokens, length)
i <- rep(seq_along(n.ids), n.ids)
j <- match(token_vector, bagofwords)
M <- sparseMatrix(i=i, j=j, x=1L)
colnames(M) <- bagofwords
因此 R 可以在大约 3 秒内将 1,000,000 百万个短句向量化为词袋表示（不错！）：
> M[1:3, 1:7]
10 x 7 sparse Matrix of class "dgCMatrix"
fqt hqhkl sls lzo xrnh zkuqc mqh
[1,] 1 1 1 1 . . .
[2,] . . . . 1 1 1
[3,] . . . . . . .
我可以将这个稀疏矩阵放入 glmnet or irlba 中，并对文本数据进行一些非常棒的定量分析。万岁！
现在我想将此分析扩展到 bag-of-ngrams 矩阵，而不是 bag-of-words 矩阵。到目前为止，我发现执行此操作的最快方法如下（我可以在 CRAN 上找到的所有 ngram 函数都在此数据集上阻塞，因此 I got a little help from SO）：
find_ngrams <- function(dat, n, verbose=FALSE){
library(pbapply)
stopifnot(is.list(dat))
stopifnot(is.numeric(n))
stopifnot(n>0)
if(n == 1) return(dat)
pblapply(dat, function(y) {
if(length(y)<=1) return(y)
c(y, unlist(lapply(2:n, function(n_i) {
if(n_i > length(y)) return(NULL)
do.call(paste, unname(as.data.frame(embed(rev(y), n_i), stringsAsFactors=FALSE)), quote=FALSE)
})))
})
}
text_to_ngrams <- function(sents, n=2){
library(stringi)
library(Matrix)
tokens <- stri_split_fixed(sents, ' ')
tokens <- find_ngrams(tokens, n=n, verbose=TRUE)
token_vector <- unlist(tokens)
bagofwords <- unique(token_vector)
n.ids <- sapply(tokens, length)
i <- rep(seq_along(n.ids), n.ids)
j <- match(token_vector, bagofwords)
M <- sparseMatrix(i=i, j=j, x=1L)
colnames(M) <- bagofwords
return(M)
}
test1 <- text_to_ngrams(sents1)
这大约需要 150 秒（对于纯 r 函数来说还不错），但我想走得更快并扩展到更大的数据集。
R 中是否有任何真正快速 的函数用于文本的 n-gram 向量化？理想情况下，我正在寻找一个 Rcpp 函数，它将字符向量作为输入，returns 文档 x ngrams 的稀疏矩阵作为输出，但也很高兴有一些编写 Rcpp 函数的指导我自己。
即使 find_ngrams 函数的更快版本也会有所帮助，因为这是主要瓶颈。 R 在标记化方面出奇地快。
编辑 1 这是另一个示例数据集：
sents2 <- sapply(rpois(100000, 500) + 1, samplefun, words, ' ')
在这种情况下，创建词袋矩阵的函数大约需要 30 秒，而创建 ngrams 矩阵的函数大约需要 500 秒。同样，R 中现有的 n-gram 向量化器似乎对这个数据集感到窒息（尽管我很想被证明是错误的！）
编辑 2 计时与 tau：
zach_t1 <- system.time(zach_ng1 <- text_to_ngrams(sents1))
tau_t1 <- system.time(tau_ng1 <- tau::textcnt(as.list(sents1), n = 2L, method = "string", recursive = TRUE))
tau_t1 / zach_t1 #1.598655
zach_t2 <- system.time(zach_ng2 <- text_to_ngrams(sents2))
tau_t2 <- system.time(tau_ng2 <- tau::textcnt(as.list(sents2), n = 2L, method = "string", recursive = TRUE))
tau_t2 / zach_t2 #1.9295619
这是一个非常有趣的问题，我在 quanteda 包中花了很多时间来解决这个问题。它涉及三个方面，我将对此进行评论，尽管只有第三个方面真正解决了您的问题。但前两点解释了为什么我只关注 ngram 创建功能，因为——正如你所指出的——这是可以提高速度的地方。
Tokenization.这里你在space字符上使用
string::str_split_fixed()，这是最快的，但不是最好的方法用于标记化。我们在quanteda::tokenize(x, what = "fastest word")中几乎完全相同地实现了这一点。它不是最好的，因为 stringi 可以更智能地实现 whitespace 定界符。 （甚至字符 class\s也更聪明，但速度稍慢——这是作为what = "fasterword"实现的）。你的问题不是关于标记化，所以这一点只是上下文。制表文档特征矩阵。这里我们同样使用了Matrix包，对文档和特征（我称它们为特征，而不是术语）进行索引，并像上面的代码一样直接创建一个稀疏矩阵。但是您使用
match()比我们通过 data.table 使用的 match/merge 方法快很多。我将重新编写quanteda::dfm()函数，因为您的方法更优雅、更快速。真的，真的很高兴看到这个！ngram 创建。在这里，我认为我实际上可以在性能方面提供帮助。我们通过
quanteda::tokenize()的参数grams = c(1)在 quanteda 中实现它，其中值可以是任何整数集。例如，我们对 unigrams 和 bigrams 的匹配是ngrams = 1:2。您可以检查 https://github.com/kbenoit/quanteda/blob/master/R/tokenize.R 处的代码，查看内部函数ngram()。我在下面复制了这个并制作了一个包装器，以便我们可以直接将它与您的find_ngrams()函数进行比较。
代码：
# wrapper
find_ngrams2 <- function(x, ngrams = 1, concatenator = " ") {
if (sum(1:length(ngrams)) == sum(ngrams)) {
result <- lapply(x, ngram, n = length(ngrams), concatenator = concatenator, include.all = TRUE)
} else {
result <- lapply(x, function(x) {
xnew <- c()
for (n in ngrams)
xnew <- c(xnew, ngram(x, n, concatenator = concatenator, include.all = FALSE))
xnew
})
}
result
}
# does the work
ngram <- function(tokens, n = 2, concatenator = "_", include.all = FALSE) {
if (length(tokens) < n)
return(NULL)
# start with lower ngrams, or just the specified size if include.all = FALSE
start <- ifelse(include.all,
1,
ifelse(length(tokens) < n, 1, n))
# set max size of ngram at max length of tokens
end <- ifelse(length(tokens) < n, length(tokens), n)
all_ngrams <- c()
# outer loop for all ngrams down to 1
for (width in start:end) {
new_ngrams <- tokens[1:(length(tokens) - width + 1)]
# inner loop for ngrams of width > 1
if (width > 1) {
for (i in 1:(width - 1))
new_ngrams <- paste(new_ngrams,
tokens[(i + 1):(length(tokens) - width + 1 + i)],
sep = concatenator)
}
# paste onto previous results and continue
all_ngrams <- c(all_ngrams, new_ngrams)
}
all_ngrams
}
这里是简单文本的比较：
txt <- c("The quick brown fox named Seamus jumps over the lazy dog.",
"The dog brings a newspaper from a boy named Seamus.")
tokens <- tokenize(toLower(txt), removePunct = TRUE)
tokens
# [[1]]
# [1] "the" "quick" "brown" "fox" "named" "seamus" "jumps" "over" "the" "lazy" "dog"
#
# [[2]]
# [1] "the" "dog" "brings" "a" "newspaper" "from" "a" "boy" "named" "seamus"
#
# attr(,"class")
# [1] "tokenizedTexts" "list"
microbenchmark::microbenchmark(zach_ng <- find_ngrams(tokens, 2),
ken_ng <- find_ngrams2(tokens, 1:2))
# Unit: microseconds
# expr min lq mean median uq max neval
# zach_ng <- find_ngrams(tokens, 2) 288.823 326.0925 433.5831 360.1815 542.9585 897.469 100
# ken_ng <- find_ngrams2(tokens, 1:2) 74.216 87.5150 130.0471 100.4610 146.3005 464.794 100
str(zach_ng)
# List of 2
# $ : chr [1:21] "the" "quick" "brown" "fox" ...
# $ : chr [1:19] "the" "dog" "brings" "a" ...
str(ken_ng)
# List of 2
# $ : chr [1:21] "the" "quick" "brown" "fox" ...
# $ : chr [1:19] "the" "dog" "brings" "a" ...
对于非常大的模拟文本，比较如下：
tokens <- stri_split_fixed(sents1, ' ')
zach_ng1_t1 <- system.time(zach_ng1 <- find_ngrams(tokens, 2))
ken_ng1_t1 <- system.time(ken_ng1 <- find_ngrams2(tokens, 1:2))
zach_ng1_t1
# user system elapsed
# 230.176 5.243 246.389
ken_ng1_t1
# user system elapsed
# 58.264 1.405 62.889
已经有所改进，如果可以进一步改进，我会很高兴。我还应该能够将更快的 dfm() 方法实现到 quanteda 中，这样您就可以简单地通过以下方式获得您想要的：
dfm(sents1, ngrams = 1:2, what = "fastestword",
toLower = FALSE, removePunct = FALSE, removeNumbers = FALSE, removeTwitter = TRUE))
（这已经有效，但比你的整体结果慢，因为你创建最终稀疏矩阵对象的方式更快 - 但我会很快改变它。）
这是使用 tokenizers 开发版本的测试，您可以使用 devtools::install_github("ropensci/tokenizers").
使用上面 sents1、sents2 和 find_ngrams() 的定义：
library(stringi)
library(magrittr)
library(tokenizers)
library(microbenchmark)
library(pbapply)
set.seed(198)
sents1_sample <- sample(sents1, 1000)
sents2_sample <- sample(sents2, 1000)
test_sents1 <- microbenchmark(
find_ngrams(stri_split_fixed(sents1_sample, ' '), n = 2),
tokenize_ngrams(sents1_sample, n = 2),
times = 25)
test_sents1
结果：
Unit: milliseconds
expr min lq mean
find_ngrams(stri_split_fixed(sents1_sample, " "), n = 2) 79.855282 83.292816 102.564965
tokenize_ngrams(sents1_sample, n = 2) 4.048635 5.147252 5.472604
median uq max neval cld
93.622532 109.398341 226.568870 25 b
5.479414 5.805586 6.595556 25 a
正在测试 sents2
test_sents2 <- microbenchmark(
find_ngrams(stri_split_fixed(sents2_sample, ' '), n = 2),
tokenize_ngrams(sents2_sample, n = 2),
times = 25)
test_sents2
结果：
Unit: milliseconds
expr min lq mean
find_ngrams(stri_split_fixed(sents2_sample, " "), n = 2) 509.4257 521.7575 562.9227
tokenize_ngrams(sents2_sample, n = 2) 288.6050 295.3262 306.6635
median uq max neval cld
529.4479 554.6749 844.6353 25 b
306.4858 310.6952 332.5479 25 a
直接检查时间
timing <- system.time({find_ngrams(stri_split_fixed(sents1, ' '), n = 2)})
timing
user system elapsed
90.499 0.506 91.309
timing_tokenizers <- system.time({tokenize_ngrams(sents1, n = 2)})
timing_tokenizers
user system elapsed
6.940 0.022 6.964
timing <- system.time({find_ngrams(stri_split_fixed(sents2, ' '), n = 2)})
timing
user system elapsed
138.957 3.131 142.581
timing_tokenizers <- system.time({tokenize_ngrams(sents2, n = 2)})
timing_tokenizers
user system elapsed
65.22 1.57 66.91
很大程度上取决于被标记化的文本，但这似乎表明加速了 2 到 20 倍。