R语言之文本挖掘--分词

当前对文本挖掘的需求越来越多，而基于文本挖掘又可以实现舆情监控、文本分类、关联分析和趋势预测等。

本文主要使用李舰发布的中文分词包Rwordseg。该包引用了@ansj开发的ansj中文分词工具，基于中科院的ictclas中文分词算法，无论是分词准确度、自定义词典的方便程度还是运行的效率都大大地超过了rmmseg4j。该包使用rJava调用Java分词工具Ansj，因此需要进行rJava的设置才可以使用。

文中使用到Rwordseg包和tmcn包，这两个包目前不在R的镜像中，可以通过如下两种方式获得这两个包。

1、通过R语言本身获得，详细步骤见下图：

2、直接到R-Forge官网下载并安装，下载地址如下：

https://r-forge.r-project.org/R/?group_id=1054

https://r-forge.r-project.org/R/?group_id=1571

应用：

本文分析的对象为一篇新闻，来源于环球网的《习近平出席中美企业家座谈会》这篇文章，看看习大大这次访美都有哪些动向？

本文主要对这篇文章做如下两个工作：分词和绘制文字云。

#读取数据

news <- readLines('news.txt', encoding = 'UTF-8')

由于Rwordseg包中的segmentCN函数对某些词无法准确分词，需要自定义字典、指定人名识别及指定停止词。

#首先将台湾大学定义的字典导入到系统中，该字典中含有正面及负面的简体词和繁体词共22173个。

data(NTUSD)

positive_simple <- NTUSD[[1]]

negtive_simple <- NTUSD[[2]]

positive_tradition <- NTUSD[[3]]

negtive_tradition <- NTUSD[[4]]

insertWords(positive_simple)

insertWords(negtive_simple)

insertWords(positive_tradition)

insertWords(negtive_tradition)

#其次将自定义的词导入系统

dir <- c('中美','两国','阿里巴巴','改革开放','腾讯','微软',

'双汇','亚马逊','星巴克','企业家','发展中','中国梦')

insertWords(dir)

#再者还需要指定人名识别

发现默认情况下，segmentCN函数并没有识别人名。

将人名识别设为TURE后，发现能够将名字准确分割出来。

#最后为分词函数segmentCN指定停止词，这样就不会把这些词识别为有效词

stopwords <- c('大','上','高','好','中','新','更','梦')

stopword <- stopwordsCN(stopwords = stopwords, useStopDic = TRUE)

当然这些准备工作是在探索文本内容的基础上完成的，这里只是想说明一下本文的思路。

使用segmentCN函数看一下分词效果：

词频分析

绘制文字云

从图中发现，本次习总书记访问美国，仍然强调的是中美之间的经济发展问题。

由于工作需要，自己刚开始研究文本挖掘，本文只是做了个文本的分词，关于文本挖掘还有许多知识需要学习，例如文本的聚类、关联规则、预测等。接下来的日子里将和文本挖掘扯上很大的关系啦。。。。

最后总结一下本文所涉及到的R包和函数：

tm包

insertWords()

tmcn包

getWordFreq()

Rwordseg包

getOption（）

segment.options（）

stopwordsCN（）

segmentCN（）

wordcloud包

wordcloud（）