使用R和tm,我加载并清理了一堆文本文档,并将它们制作成语料库。之后,我使用 tf-idf 构建了他们的 DTM,并且可以将其用于所有类型的分类聚类算法。目前为止,一切都好。
现在,假设我有一个新文档,并尝试计算它与语料库中文档的距离。当然,我需要将我应用于原始集合的所有转换应用于它。但是我不明白如何计算新文档的 tf-idf 向量,因为 tf-idf 依赖于整个集合,而不是这个单个文档。将新文档添加到语料库并重新计算其 tf-idf DTM 无法正常工作:它不仅效率低下,而且每个新文档都有机会获得已经看到的文档的值,这将改变我可能将它们作为 traininig 集运行的任何聚类分类算法的结果。
所以,我的问题是,我如何使用 R 和 tm 计算新文档的 tf-idf 向量,并使用它来计算新文档到训练语料库中每个文档的距离,而无需重新计算所有文档的 tf-idf?
提前谢谢。
首先,您可以在训练脚本中计算 idf 并将其另存为 R obj。
idf = log2(nDocs(dtm)/col_sums(dtm > 0))
然后在评分脚本中,您可以加载此 idf,并使用以下逻辑规范化您的评分 dtm
for(i in 1:length(dtmscore$i)){dtmscore$v[i] = idf[dtmscore$j[i]] * dtmscore$v[i] }
我希望这有帮助!