R语言文本数据挖掘（三）

文本分词，就是对文本进行合理的分割，从而可以比较快捷地获取关键信息。例如，电商平台要想了解更多消费者的心声，就需要对消费者的文本评论数据进行内在信息的数据挖掘分析，而文本分词是文本挖掘的重要步骤。R语言中，对中文分词支持较好的包有RWordseg包和jiebaR包，这里学习jiebaR包。

一、jiebaR包简介

jiebaR 是中文分词的R语言版本，支持最大概率法（Maximum Probability），隐式马尔科夫模型（Hidden Markov Model），索引模型（QuerySegment），混合模型（MixSegment），共四种分词模式，同时有词性标注，关键词提取，文本Simhash相似度比较等功能。如果你想要用 R 语言做中文分词的话，我强烈建议你使用 jiebaR 包，其下载和使用都比较简单，都不需要复杂的配置，上手比较容易。

1. jiebaR包的安装和调用

install.packages("jiebaR")

library("jiebaR")

library(wordcloud2)       #用于绘制词云图；

library(dplyr)            #高效的数据整理工具。

2. jiebaR分词示例

work <- worker()                               #用到worker()函数，赋值给work

juzi <- "杭州的四月真美丽，想到西湖边吹吹风。

         灵峰和孤山的梅花，龙井八景的桃花，太子湾的郁金香，

         白堤间株的桃柳，八卦田的油菜花，美不胜收。"   #用juzi替代长句子

segment(juzi,work)                             #调用segment()函数分词

#运行结果

segment(juzi,work)

 [1] "杭州"     "的"       "四月"     "真"       "美丽"     "想到"

 [7] "西湖"     "边"       "吹"       "吹风"     "灵峰"     "和"

[13] "孤山"     "的"       "梅花"     "龙井"     "八景"     "的"

[19] "桃花"     "太子"     "湾"       "的"       "郁金香"   "白堤"

[25] "间株"     "的"       "桃柳"     "八卦"     "田"       "的"

[31] "油菜花"   "美不胜收"

3. 分词函数用法

worker()和segment()语法：jiebaR通过函数worker()来初始化分词引擎，使用函数segment()进行分词。两个函数语法：

——worker()函数

worker(type = "mix", dict = DICTPATH, hmm = HMMPATH,user = USERPATH, idf = IDFPATH, stop_word = STOPPATH, write = T,

  qmax = 20, topn = 5, encoding = "UTF-8", detect = T,symbol = F, lines = 1e+05, output = NULL, bylines = F,

  user_weight = "max")

——segment()函数

segment(code, jiebar, mod = NULL)

code:A Chinese sentence or the path of a text file.       #分词文本

mod:change default result type, value can be "mix","hmm","query","full" or "mp"    #分词算法

二、用户自定义词或词库的添加

1. 使用new_user_word函数

work_new_word<-worker()

new_user_word(work_new_word, c("吹吹风","太子湾","八卦田"))

segment(juzi,work_new_word)

2. 使用user参数添加词库

利用Notepad++编写一个名为ciku.txt的文档，放了三个词：吹吹风、太子湾、八卦田。把这个txt存入getwd()的路径里。再利用worker(user)调用：

work_user<-worker(user="ciku.txt")

segment(juzi,work_user)

（可能会问，为什么不直接用txt文本呢？我一开始也是直接用txt写的，发现有毒，一引用R就崩了。有人给出了解答：如果你的词库是用记事本写的话，因为编码有时不是UTF-8,使用时会出现各种错误，甚至软件奔溃。所以建议使用notepad++编辑，将编码设置为utf-8，另存为txt文件。）

3. 使用user参数添加词库借用搜狗细胞词库

搜狗提供了大量的专业领域词汇，其词库具有专门的.scel格式，词库导出与导入非常麻烦，这时，需要用到搜狗细胞词库转化包cidian，它不仅能够在R中将搜狗词库的scel格式转化为可读的词库，并且还能直接被分词包jiebaR调用！但需要注意的是：cidian包没有发布在CRAN，而是发布在github中，所以需要先获得开发者工具Rtools才能进行安装，也要用到install_github()函数。

#安装cidian包

install.packages("devtools")      #R的开发者工具

install.packages("stringi")       #强大的字符处理包

install.packages("pbapply")       #能够为*apply族函数增加进度条

install.packages("Rcpp")

install.packages("RcppProgress")  #Rcpp和RcppProgress让R直接调用外部的C++程序，增加运算速度

library(devtools)

install_github("qinwf/cidian")    #用来从github上安装R包的函数，“qinwf”应该是cidian的作者

library(cidian)

cidian包安装完后，下一步，需要自己到搜狗词库里下载想要的词库，如图：

点进去下载后，词库名为：杭州市信息大全.scel，把这个scel文件复制到getwd()路径里，我是放在默认的C盘用户文档里。

搜狗细胞词库在线提取转换工具

#decode_scel(scel = "./杭州市信息大全.scel",cpp = TRUE)

#output file: ./杭州市信息大全.scel_2018-04-19_00_57_55.dict

#利用搜狗细胞词库在线提取转换工具转好后，查看生成的词典文件（22-05-21-11-01-39.jiebaR.user.txt）：

 scan(file="./22-05-21-11-01-39.jiebaR.user.txt",

       what=character(),nlines=30,sep='\n',

       encoding='utf-8',fileEncoding='utf-8')

#Read 30 items，输出为：

Read 30 items

 [1] "阿六头 n"   "啊没 n"     "阿咪香 n"   "阿太 n"     "啊也 n"

 [6] "阿姨夫 n"   "阿英煲 n"   "艾迪康 n"   "爱杭州 n"   "爱丽芬 n"

[11] "安安单单 n" "安耽 n"     "安耽点 n"   "暗咯咯 n"   "安徽老 n"

[16] "安徽料理 n" "安吉 n"     "安吉路 n"   "安吉县 n"   "暗落落 n"

[21] "安森 n"     "岸上蓝山 n" "安职 n"     "安之秀果 n" "奥比 n"

[26] "熬不牢 n"   "奥达通 n"   "奥菲 n"     "奥好的 n"   "奥康 n"

接下来，需要把这个想要的词典放到R的分词库里。用show_dictpath()函数查看默认词典位置。查看目前系统自带的词库：

dir(show_dictpath())

 [1] "C:/Users/hao'hai/Documents/R/win-library/4.1/jiebaRD/dict"

[1] "backup.rda"      "hmm_model.zip"   "idf.zip"         "jieba.dict.zip"

[5] "model.rda"       "README.md"       "stop_words.utf8" "user.dict.utf8"

词库对应的内容为：

jieba.dict.utf8, 系统词典文件，最大概率法，utf8编码的

hmm_model.utf8, 系统词典文件，隐式马尔科夫模型，utf8编码的

user.dict.utf8, 用户词典文件，utf8编码的

stop_words.utf8，停止词文件，utf8编码的

idf.utf8，IDF语料库，utf8编码的

jieba.dict.zip，jieba.dict.utf8的压缩包

hmm_model.zip，hmm_model.utf8的压缩包

idf.zip，idf.utf8的压缩包

重点来了，把搜狗词典文件改名，从22-05-21-11-01-39.jiebaR.user.txt内容复制到user.dict.utf8，然后替换C:/Users/hao'hai/Documents/R/win-library/4.1/jiebaRD/dict目录下面的user.dict.utf8。这样默认的用户词典，就是搜狗词典了，可以检验下新的user.dict.utf8：

scan(file="C:/Users/hao'hai/Documents/R/win-library/4.1/jiebaRD/dict/user.dict.utf8",what=character(),nlines=30,sep='\n',encoding='utf-8',fileEncoding='utf-8')

三、停用词过滤

停止词是分词过程中，我们不需要作为结果的词，比如：我、你、的、是，a,the,or,and等。这些词在统计词频的时候意义不大，且会增加噪音，需要对这些词进行过滤。在jiebaR中，过滤停止词有2种方法，一种是通过配置stop_word文件，另一种是使用filter_segment()函数。

1. 配置stop_word文件

先利用Notepad++编写一个名为stop_word.txt的文档，里面包含“的”、“和”。把stop_word.txt存入getwd()的路径里。再利用worker()函数调用：

#加载分词引擎，并配置停止词过滤

work = worker(stop_word="stop_word.txt")

guolv <- segment(juzi,work)

guolv

 [1] "杭州"     "四月"     "真"       "美丽"     "想到"     "西湖"

 [7] "边"       "吹"       "吹风"     "灵峰"     "孤山"     "梅花"

[13] "龙井八景" "桃花"     "太子湾"   "郁金香"   "白堤"     "间株"

[19] "桃柳"     "八卦田"   "油菜花"   "美不胜收"

#禁用“的”，“和”后，运行结果里果然也没有这两个字了。

2. filter_segment()函数

在上面的过滤基础上，利用filter_segment()继续过滤掉“想到”、“边”两个词：

filter<-c("想到","边")

filter_segment(guolv,filter)

 [1] "杭州"     "四月"     "真"       "美丽"     "西湖"     "吹"

 [7] "吹风"     "灵峰"     "孤山"     "梅花"     "龙井八景" "桃花"

[13] "太子湾"   "郁金香"   "白堤"     "间株"     "桃柳"     "八卦田"

[19] "油菜花"   "美不胜收"

四、关键词提取

前面讲了这么多，都是关于如何更好的进行分词。做好分词这一步，更核心的就是提取关键词。TF-IDF算法是提取关键词的经典算法。

TF（Term Frequenc），词频。一个词在文章中出现的次数越多，重要性也越大（过滤停用词）。

IDF（Inverse Document Frequency），逆文档频率。在词频的基础上，要对每个词分配一个"重要性"权重。最常见的词（"的"、"是"）给予较小的权重，，较少见的词（"太子湾"、"八卦田"）给予较大的权重。这个权重叫做"逆文档频率"，它的大小与一个词的常见程度成反比。jiebaR包中的idf.utf8文件，为IDF语料库，用来模拟语言的使用环境，计算好逆文档频率。

TF-TDF = 词频TF * 逆文档频率IDF

某个词对文章的重要性越高，它的TF-IDF值就越大。所以，排在最前面的几个词，就是这篇文章的关键词。

学习完原理后，可以着手实操一下了。先查看在安装目录中的IDF的语料库——idf.utf8文件。

scan(file="C:/Users/hao'hai/Documents/R/win-library/4.1/jiebaRD/dict/idf.utf8",what=character(),nlines=20,sep='\n',encoding='utf-8',fileEncoding='utf-8')

#Read 20 items

 [1] "劳动防护 13.900677652"  "生化学 13.900677652"

 [3] "奥萨贝尔 13.900677652"  "考察队员 13.900677652"

 [5] "岗上 11.5027823792"     "倒车档 12.2912397395"

 [7] "编译 9.21854642485"     "蝶泳 11.1926274509"

 [9] "外委 11.8212361103"     "故作高深 11.9547675029"

[11] "尉遂成 13.2075304714"   "心源性 11.1926274509"

[13] "现役军人 10.642581114"  "杜勃留 13.2075304714"

[15] "包天笑 13.900677652"    "贾政陪 13.2075304714"

[17] "托尔湾 13.900677652"    "多瓦 12.5143832909"

[19] "多瓣 13.900677652"      "巴斯特尔 11.598092559"

idf.utf8文件每一行有2列，第一列是词项，第二列为权重，即IDF值，如“生化学”是13.9。然后，计算文档词频(TF)，用到freq()函数：

freq(guolv)

keys <- worker("keywords",topn=5)

vector_keywords(guolv,keys)

#vector_keywords(guolv,keys)

 11.8212  11.7392  11.7392  11.7392  11.7392

  "灵峰" "杭州的" "太子湾" "八卦田"   "桃柳"

参考文献

(R语言：jiebaR 包实现中文分词、统计词频及绘制词云图)[https://zhuanlan.zhihu.com/p/499935064]
(R学习整理笔记（五）——用jiebaR包进行中文分词)[https://zhuanlan.zhihu.com/p/35846130]