从多语言文本中删除停用词

Question

我正在运行对医疗保健行业的多语言文本文件进行文本和情感分析，我想一次从所有语言中删除停用词。我不想在代码中写下每种语言的名称来删除停用词。有什么方法可以快速完成吗？

这是我的代码：文件总数是596

files = list.files(path = getwd(), pattern = "txt", all.files = FALSE,
                   full.names = TRUE, recursive = TRUE)
txt = {}
for (i in 1:596) 
  try( 
    {
      txt[[i]] <- readLines(files[i], warn = FALSE) 
  
  filename <- txt[[i]]
  filename <- trimws(filename)
  corpus <- iconv(filename, to = "utf-8")
  corpus <- Corpus(VectorSource(corpus))
  
  # Clean Text
  corpus <- tm_map(corpus, removePunctuation)
  corpus <- tm_map(corpus, removeNumbers)
  cleanset <- tm_map(corpus, removeWords, stopwords("english"))
  cleanset <- tm_map(cleanset, removeWords, stopwords("spanish"))
  cleanset <- tm_map(cleanset, content_transformer(tolower))
  cleanset <- tm_map(cleanset, stripWhitespace)
  
  # Remove spaces and newlines
  cleanset <- tm_map("\n", " ", cleanset)
  cleanset <- tm_map("^\s+", "", cleanset)
  cleanset <- tm_map("\s+$", "", cleanset)
  cleanset <- tm_map("[ |\t]+", " ", cleanset)

  }, silent = TRUE)

Answer 1

使用spacy where it has more than 15 language models with stopwords. For R language spacyr.

Answer 2

I want to remove stopwords from all the languages at once.

合并每个 stopwords(cc) 调用的结果，并将其传递给单个 tm_map(corpus, removeWords, allStopwords) 调用。

I don't want to write the name of every language in the code to remove the stopwords

您可以使用 stopwords_getlanguages() 获取所有受支持语言的列表，并将其作为一个循环执行。请参阅 https://www.rdocumentation.org/packages/stopwords/versions/2.3

中的示例

就其价值而言，我认为这（使用所有语言的停用词）是个坏主意。一种语言中的停用词在另一种语言中可能是高信息词。例如。略读 https://github.com/stopwords-iso/stopwords-es/blob/master/stopwords-es.txt 我发现了“embargo”、“final”、“mayor”、“salvo”、“sea”，它们不在英文停用词列表中，但可以携带信息。

当然，这取决于您在删除所有这些单词后对数据执行的操作。

但如果搜索药物名称或其他关键字，只需对原始数据执行此操作，不要删除停用词。

从多语言文本中删除停用词

Remove Stop words from multi-lingual Text

nlp

r

stop-words

sentiment-analysis