R - 將 DFM 轉換為 LSA 然后計算余弦相似度：錯誤繼承（x，“矩陣”）不為真

Question

我有一個文檔特征矩陣（DFM）：我想把它轉換成一個 LSA 對象，最后計算每個文檔之間的余弦相似度。

這是我遵循的段落

lsa_t2 <- convert(DFM_tfidf, to = "lsa" , omit_empty = TRUE)
t2_lsa_tfidf_cos_sim = sim2(x = lsa_t2, method = "cosine", norm = "l2")

但我收到此錯誤：

sim2(x = lsa_t2, method = "cosine", norm = "l2") 中的錯誤：
繼承（x，“矩陣”）|| 繼承（x，“矩陣”）不是真的

為了提供更多上下文，這就是 las_t2 的樣子

任何文檔都包含文本（我已經檢查過了）並且在我清除 dfm 之前我過濾了沒有文本的文檔。

知道發生了什么嗎？

Answer 1

您收到的錯誤基本上意味着函數sim2不適用於lsa對象。 但是，我不確定我是否理解這個問題。 為什么首先要將dfm轉換為lsa textmatrix 格式？

如果要計算文本之間的余弦相似度，可以直接在quenteda

library(quanteda)

texts <- c(d1 = "Shipment of gold damaged in a fire",
           d2 = "Delivery of silver arrived in a silver truck",
           d3 = "Shipment of gold arrived in a truck" )

texts_dfm <- dfm(texts)

textstat_simil(texts_dfm, 
               margin = "documents",
               method = "cosine")
#> textstat_simil object; method = "cosine"
#>       d1    d2    d3
#> d1 1.000 0.359 0.714
#> d2 0.359 1.000 0.598
#> d3 0.714 0.598 1.000

如果你想使用sim2從text2vec ，你可以這樣做，使用相同的對象，而無需首先將其轉換：

library(text2vec)
sim2(x = texts_dfm, method = "cosine", norm = "l2")
#> 3 x 3 sparse Matrix of class "dsCMatrix"
#>           d1        d2        d3
#> d1 1.0000000 0.3585686 0.7142857
#> d2 0.3585686 1.0000000 0.5976143
#> d3 0.7142857 0.5976143 1.0000000

如您所見，結果是相同的。

更新

根據評論，我現在了解到您希望通過潛在語義分析應用數據轉換。 您可以按照下面鏈接的教程插入 dfm 而不是教程中使用的 dtm：

texts_dfm_tfidf <- dfm_tfidf(texts_dfm)


library(text2vec)
lsa = LSA$new(n_topics = 2)
dtm_tfidf_lsa = fit_transform(texts_dfm_tfidf, lsa) # I get a warning here, probably due to the size of the toy dfm
d1_d2_tfidf_cos_sim = sim2(x = dtm_tfidf_lsa, method = "cosine", norm = "l2")
d1_d2_tfidf_cos_sim
#>              d1           d2        d3           d4
#> d1  1.000000000 -0.002533794 0.5452992  0.999996189
#> d2 -0.002533794  1.000000000 0.8368571 -0.005294431
#> d3  0.545299245  0.836857086 1.0000000  0.542983071
#> d4  0.999996189 -0.005294431 0.5429831  1.000000000

請注意，除非您使用set.seed()否則這些結果會因運行而set.seed() 。

或者，如果您想在quanteda完成所有quanteda ：

texts_lsa <- textmodel_lsa(texts_dfm_tfidf, 2)

textstat_simil(as.dfm(texts_lsa$docs), 
               margin = "documents",
               method = "cosine")
#> textstat_simil object; method = "cosine"
#>          d1       d2    d3       d4
#> d1  1.00000 -0.00684 0.648  1.00000
#> d2 -0.00684  1.00000 0.757 -0.00894
#> d3  0.64799  0.75720 1.000  0.64638
#> d4  1.00000 -0.00894 0.646  1.00000