根据引理在语料库中查找单词

Question

我正在用R进行文本挖掘，但是我得到一个“问题”，我想解决...为了在语料库中找到包含最多给定单词或表达式的报告，我使用了来自quanteda包的kwic函数，如下所示：

result <- kwic (corp2,c(phrase("trous oblongs")))

其中corp2是语料库。 trous oblongs是法文，是复数。 但是，当我这样做时，我只会得到包含以复数形式表示的报告。 我还要考虑到单数形式的出现次数trou oblong （反之亦然，如果我最初把代码trou oblong ，获得复数也）。

我知道udpipe软件包，得益于它的udpipe_annotate函数： https : udpipe_annotate ，它能够提取文本中单词的引理。

所以我想知道udpipe是否具有可以找到语料库中具有相同引理的单词的所有出现的函数，或者是否可以用kwic做到这kwic 。

提前致谢

Answer 1

Quanteda具有使用SnoballC的词干分析器的tokens_wordstem() ：

toks <- tokens(corp2)
toks_stem <- tokens_wordstem(toks, "french")
kwic(toks_stem, phrase("trous oblong"))

另外，您也可以使用*通配符来搜索词干：

toks <- tokens(corp2)
kwic(toks, phrase("trou* oblong*"))

Answer 2

如果您想坚持使用udpipe框架，则可以将txt_nextgram与txt_recode_ngram使用，或者如果您的两个词不是紧随txt_recode_ngram但仍希望找到它，则可以使用依赖项解析结果。

library(udpipe)
library(data.table)
txt <- c("Les trous sont oblongs.", 
         "Les trous oblongs du systeme de montage des deux parties permettent un reglage facile et un alignement precis.")

## Annotate with udpipe to tokenise, obtain pos tags, lemmas, dependency parsing output
udmodel <- udpipe_download_model("french-sequoia", udpipe_model_repo = "bnosac/udpipe.models.ud")
udmodel <- udpipe_load_model(udmodel$file_model)
x <- udpipe_annotate(udmodel, txt)
x <- as.data.table(x)

## Situation 1: words are following one another
x <- x[, lemma_bigram := txt_nextgram(lemma, n = 2, sep = " "), by = list(doc_id, paragraph_id, sentence_id)]
subset(x, lemma_bigram %in% c("trous oblong"))

## Situation 2: words are not following one another - use dependency parsing results
x <- merge(x, 
           x[, c("doc_id", "paragraph_id", "sentence_id", "token_id", "token", "lemma", "upos", "xpos"), with = FALSE], 
           by.x = c("doc_id", "paragraph_id", "sentence_id", "head_token_id"),
           by.y = c("doc_id", "paragraph_id", "sentence_id", "token_id"),
           all.x = TRUE, all.y = FALSE, 
           suffixes = c("", "_parent"),
           sort = FALSE)
subset(x, lemma_bigram %in% c("trous oblong") | (lemma %in% "trous" & lemma_parent %in% "oblong"))

如果要将关键字重新编码为1个字词（仅涵盖情况1）：

x$term <- txt_recode_ngram(x$lemma, compound = "trous oblong", ngram = 2, sep = " ")