Een andere manier om naar woordrelaties te kijken is met de functie findAssocs() in het pakket tm. Voor een gegeven woord berekent findAssocs() de correlatie met elk ander woord in een TDM of DTM. Scores lopen van 0 tot 1. Een score van 1 betekent dat twee woorden altijd samen in documenten voorkomen, terwijl een score die richting 0 gaat betekent dat de termen zelden in hetzelfde document voorkomen.

Houd er rekening mee dat de berekening voor findAssocs() op documentniveau gebeurt. Voor elk document dat het betreffende woord bevat, worden de andere termen in die specifieke documenten geassocieerd. Documenten zonder de zoekterm worden genegeerd.

Om findAssocs() te gebruiken, geef je een TDM of DTM mee, de zoekterm en een minimale correlatie. De functie retourneert een lijst met alle andere termen die voldoen aan of hoger zijn dan de minimale drempel.

findAssocs(tdm, "word", 0.25)

Minimale correlatiewaarden zijn vaak relatief laag vanwege de diversiteit aan woorden. Het is dus niet vreemd als 0.10 een sterke paargewijze termassociatie laat zien.

De coffee tweets zijn opgeschoond en samengebracht in tweets_tdm voor deze oefening. Je gaat zoeken naar een termassociatie, de resultaten bewerken met list_vect2df() uit qdap en daarna een plot maken met de ggplot2-code in het voorbeeldscript.

N-gram-tokenisatie

Text mining met bag-of-words in R

Interactieve oefening met praktijkervaring