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.

Entender la minería de texto

Minería de texto con Bag-of-Words en R

ejercicio interactivo práctico