Veri hazırlama
2016 ABD seçimleri sırasında, Rus tweet botları hem demokratlara hem de cumhuriyetçilere sürekli siyasi söylem yaymak için kullanıldı. Sana bu tür tweet’lerden oluşan russian_tweets adlı bir veri kümesi verildi. Bu tweet’leri sol eğilimli (demokrat) veya sağ eğilimli (cumhuriyetçi) olarak sınıflandırmaya karar verdin. Bir sınıflandırma modeli kurmadan önce, metni modelleme için temizlemen ve hazırlaman gerekiyor.
Bu egzersiz
R ile Doğal Dil İşlemeye Giriş
kursunun bir parçasıdırEgzersiz talimatları
- Tokenleştirmeyi, token’ları köklerine indirerek tamamla.
- Belge-terim matrisi oluşturmak için
cast_dtm()kullan. - Belge-terim matrisini tf-idf ağırlıklandırmasıyla ağırlıklandır.
- Matrisi yazdır.
Uygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# Stem the tokens
russian_tokens <- russian_tweets %>%
unnest_tokens(output = "word", token = "words", input = content) %>%
anti_join(stop_words) %>%
___(word = ___(word))
# Create a document term matrix using TFIDF weighting
tweet_matrix <- russian_tokens %>%
count(tweet_id, word) %>%
___(document = ___, term = ___,
value = n, weighting = tm::___)
# Print the matrix details
___