O altă modalitate de a analiza relațiile dintre cuvinte este funcția findAssocs() din pachetul tm. Pentru orice cuvânt dat, findAssocs() calculează corelația acestuia cu fiecare alt cuvânt dintr-un TDM sau DTM. Scorurile variază de la 0 la 1. Un scor de 1 înseamnă că două cuvinte apar întotdeauna împreună în documente, în timp ce un scor aproape de 0 înseamnă că termenii apar rar în același document.

Reține că findAssocs() realizează calculul la nivel de document. Astfel, pentru fiecare document care conține cuvântul căutat, ceilalți termeni din acele documente specifice sunt asociați. Documentele care nu conțin termenul de căutare sunt ignorate.

Pentru a folosi findAssocs(), transmite un TDM sau DTM, termenul de căutare și o corelație minimă. Funcția va returna o listă cu toți ceilalți termeni care ating sau depășesc pragul minim.

findAssocs(tdm, "word", 0.25)

Valorile minime ale corelației sunt adesea relativ scăzute, din cauza diversității vocabularului. Nu te mira dacă 0.10 reprezintă o asociere puternică între doi termeni.

Tweet-urile despre cafea au fost curățate și organizate în tweets_tdm pentru acest exercițiu. Vei căuta o asociere de termeni, vei prelucra rezultatele cu list_vect2df() din qdap, apoi vei crea un grafic folosind codul ggplot2 din scriptul exemplu.

Tokenizarea cu n-grame

Text Mining cu Bag-of-Words în R

Exercițiu interactiv practic