Otro paso de preprocesado útil es el word stemming y la completación de raíces. El stemming reduce las palabras para unificarlas entre documentos. Por ejemplo, la raíz de "computational", "computers" y "computation" es "comput". Pero como "comput" no es una palabra real, queremos reconstruir las palabras para que "computational", "computers" y "computation" remitan a una palabra reconocible, como "computer". A esta reconstrucción se le llama completación de raíces.

El paquete tm proporciona la función stemDocument() para obtener la raíz de una palabra. Esta función puede recibir un vector de caracteres y devolver un vector de caracteres, o recibir un PlainTextDocument y devolver un PlainTextDocument.

Por ejemplo,

stemDocument(c("computational", "computers", "computation"))

devuelve "comput" "comput" "comput".

Usarás stemCompletion() para reconstruir estas raíces en un término conocido. stemCompletion() acepta un vector de caracteres y un diccionario de completado. El diccionario de completado puede ser un vector de caracteres o un objeto Corpus. En cualquier caso, el diccionario de completado para nuestro ejemplo tendría que contener la palabra "computer" para que todas las instancias de "comput" se puedan reconstruir.

Entendiendo TDM y DTM

Minería de texto con Bag-of-Words en R

Ejercicio interactivo práctico