共计 2063 个字符,预计需要花费 6 分钟才能阅读完成。
原文链接:http://tecdat.cn/?p=6864
咱们对 20 个 Usenet 布告板的 20,000 条音讯进行剖析。此数据集中的 Usenet 布告板包含新汽车,体育和密码学等主题。
预处理
咱们首先浏览 20news-bydate
文件夹中的所有音讯,这些音讯组织在子文件夹中,每个音讯都有一个文件。
raw_text
## # A tibble: 511,655 x 3
## newsgroup id text
## <chr> <chr> <chr>
## 1 alt.atheism 49960 From: mathew <mathew@mantis.co.uk>
## 2 alt.atheism 49960 Subject: Alt.Atheism FAQ: Atheist Resources
## 3 alt.atheism 49960 Summary: Books, addresses, music -- anything related to atheism
## 4 alt.atheism 49960 Keywords: FAQ, atheism, books, music, fiction, addres
## # … with 511,645 more rows
请留神该 newsgroup
列形容了每条音讯来自哪 20 个新闻组,以及 id
列,用于标识该新闻组中的音讯。
tf-idf
TF 是词频(Term Frequency),IDF 是逆文本频率指数(Inverse Document Frequency)。咱们心愿新闻组在主题和内容方面有所不同,因而,它们之间的词语频率也不同。
newsgroup_cors
## # A tibble: 380 x 3
## item1 item2 correlation
## <chr> <chr> <dbl>
## 1 talk.religion.misc soc.religion.christian 0.835
## 2 soc.religion.christian talk.religion.misc 0.835
## 3 alt.atheism talk.religion.misc 0.779
## 4 talk.religion.misc alt.atheism 0.779
## 5 alt.atheism soc.religion.christian 0.751
## 6 soc.religion.christian alt.atheism 0.751
## 7 comp.sys.mac.hardware comp.sys.ibm.pc.hardware 0.680
## 8 comp.sys.ibm.pc.hardware comp.sys.mac.hardware 0.680
## 9 rec.sport.baseball rec.sport.hockey 0.577
## 10 rec.sport.hockey rec.sport.baseball 0.577
## # … with 370 more rows
主题建模
LDA 能够整顿来自不同新闻组的 Usenet 音讯吗?
主题 1 当然代表 sci.space 新闻组(因而最常见的词是“空间”),主题 2 可能来自密码学,应用诸如“密钥”和“加密”之类的术语。
情绪剖析
咱们能够应用咱们 探讨的情绪剖析技术来查看这些 Usenet 帖子中呈现的侧面和负面词的频率。哪些新闻组总体上最踊跃或最消极?
在这个例子中,咱们将应用 AFINN 情感词典,它为每个单词提供积极性分数,并用条形图可视化
用语言剖析情绪
值得深刻理解_为什么_有些新闻组比其余新闻组更踊跃或更消极。为此,咱们能够查看每个单词的总踊跃和消极贡献度。
N-gram 剖析
Usenet 数据集是一个古代文本语料库,因而咱们会对本文中的情绪剖析感兴趣.
正文完