Eine weitere Möglichkeit, über Wortbeziehungen nachzudenken, bietet die Funktion findAssocs() aus dem Paket tm. Für ein beliebiges Wort berechnet findAssocs() dessen Korrelation mit jedem anderen Wort in einem TDM oder DTM. Die Werte liegen zwischen 0 und 1. Ein Wert von 1 bedeutet, dass zwei Wörter in Dokumenten immer gemeinsam auftreten, während ein Wert nahe 0 bedeutet, dass die Begriffe selten im selben Dokument vorkommen.

Beachte, dass die Berechnung von findAssocs() auf Dokumentebene erfolgt. Für jedes einzelne Dokument, das das gesuchte Wort enthält, werden die anderen Begriffe in genau diesen Dokumenten als assoziiert betrachtet. Dokumente ohne den Suchbegriff werden ignoriert.

Um findAssocs() zu verwenden, übergib ein TDM oder DTM, den Suchbegriff und eine minimale Korrelation. Die Funktion gibt eine Liste aller anderen Begriffe zurück, die den Mindestschwellenwert erreichen oder überschreiten.

findAssocs(tdm, "word", 0.25)

Minimale Korrelationswerte sind aufgrund der Wortvielfalt oft relativ niedrig. Es ist nicht ungewöhnlich, dass bereits 0.10 eine starke paarweise Begriffsassoziation zeigt.

Die Coffee-Tweets wurden für die Übung bereinigt und in tweets_tdm organisiert. Du wirst nach einer Begriffsassoziation suchen, die Ergebnisse mit list_vect2df() aus qdap aufbereiten und anschließend mit dem ggplot2-Code im Beispielskript ein Diagramm erstellen.

N-Gramm-Tokenisierung

Text Mining mit Bag-of-Words in R

Interaktive Übung