使用quanteda计算R中大型语料库的余弦相似度

Question

我正在尝试使用大约85,000条推文的大型语料库，我试图将其与电视广告中的对话进行比较。但是，由于我的语料库的大小，我无法处理余弦相似性度量而没有得到“错误：无法分配大小为n的向量”消息（在我的情况下为26 GB）。

我已经在具有大量内存的服务器上运行R 64位。我也尝试在内存最多的服务器上使用AWS（244 GB），但无济于事（同样的错误）。

有没有办法使用像fread这样的包来解决这个内存限制，或者我只是想发明一种方法来分解我的数据？非常感谢您的帮助，我附上了以下代码：

x <- NULL
y <- NULL
num <- NULL
z <- NULL
ad <- NULL
for (i in 1:nrow(ad.corp$documents)){
  num <- i
  ad <- paste("ad.num",num,sep="_")
  x <- subset(ad.corp, ad.corp$documents$num== yoad)
  z <- x + corp.all
  z$documents$texts <- as.character(z$documents$texts)
  PolAdsDfm <- dfm(z, ignoredFeatures = stopwords("english"), groups = "num",stem=TRUE, verbose=TRUE, removeTwitter=TRUE)
  PolAdsDfm <- tfidf(PolAdsDfm)
  y <- similarity(PolAdsDfm, ad, margin="documents",n=20, method = "cosine", normalize = T)
  y <- sort(y, decreasing=T)
  if (y[1] > .7){assign(paste(ad,x$documents$texts,sep="--"), y)}
  else {print(paste(ad,"didn't make the cut", sep="****"))}  
}

Answer 1

该错误很可能是由以前版本的quanteda（在2012年1月1日之前的GitHub之前的0.9.1-8之前）将dfm对象强制转换为密集矩阵以调用proxy :: simil（）引起的。较新的版本现在适用于稀疏的dfm对象，而不会强制使用method = "correlation"和method = "cosine"。 （即将推出更多稀疏方法。）

我无法真正遵循您在代码中所做的事情，但看起来您在作为组聚合的文档之间获得成对相似性。我建议以下工作流程：

1. 使用您要比较的所有文本组的groups选项创建您的dfm。
2. 像你一样用tfidf()给这个dfm加权。
3. 使用y <- textstat_simil(PolAdsDfm, margin = "documents", method = "cosine")，然后使用as.matrix(y)将其强制转换为完整的对称矩阵。然后，所有成对文档都在该矩阵中，您可以直接从该对象中选择大于0.7的阈值。 请注意，不需要使用method = "cosine"对术语频率进行标准化。在较新版本的quanteda中，normalize参数无论如何已被删除，因为我认为在计算相似性之前对dfm进行加权是一种更好的工作流程实践，而不是在textstat_simil()中建立权重。

最后说明：我强烈建议不要使用此处的方法访问corpus对象的内部，因为这些内部可能会更改然后破坏您的代码。例如，使用texts(z)而不是z$documents$texts，而使用docvars(ad.corp, "num")而不是ad.corp$documents$num。