Question

例如，我有数十亿个短语，我想要它们的类似群集。

> strings.to.cluster <- c("Best Toyota dealer in bay area. Drive out with a new car today",
                        "Largest Selection of Furniture. Stock updated everyday" , 
                        " Unique selection of Handcrafted Jewelry",
                        "Free Shipping for orders above $60. Offer Expires soon",
                        "XXXX is where smart men buy anniversary gifts",
                        "2012 Camrys on Sale. 0% APR for select customers",
                        "Closing Sale on office desks. All Items must go" 
                         )

假设此向量是数十万行。 R中是否有一个包来按意义聚类这些短语？或者是否有人建议通过对给定短语的含义对“相似”短语进行排名的方法。

Answer 1

您可以将短语视为＆＃34;单词＆＃34;，即构建矩阵（＆＃34; term-document＆＃34;矩阵），每个短语一行，每个单词一列，如果单词出现在短语中，则为1，否则为0。（你可以用一些可以解释短语长度和词频的重量来代替1）。然后，您可以应用任何群集算法。 tm包可以帮助您构建此矩阵。

library(tm)
library(Matrix)
x <- TermDocumentMatrix( Corpus( VectorSource( strings.to.cluster ) ) )
y <- sparseMatrix( i=x$i, j=x$j, x=x$v, dimnames = dimnames(x) )  
plot( hclust(dist(t(y))) )

Answer 2

也许看这个文件： http://www.inside-r.org/howto/mining-twitter-airline-consumer-sentiment 可以提供帮助，它使用R并查看使用Twitter的航空公司的市场情绪。

如何在R中找到相似的句子/短语？

2 个答案: