在R中真的快速字ngram矢量化

Question

编辑:新包text2vec非常好,并且很好地解决了这个问题(和许多其他问题).

关于github 插图的CRAN text2vec上的text2vec,用于说明ngram标记化

我在R中有一个非常大的文本数据集,我已将其作为字符向量导入:

#Takes about 15 seconds
system.time({
  set.seed(1)
  samplefun <- function(n, x, collapse){
    paste(sample(x, n, replace=TRUE), collapse=collapse)
  }
  words <- sapply(rpois(10000, 3) + 1, samplefun, letters, '')
  sents1 <- sapply(rpois(1000000, 5) + 1, samplefun, words, ' ')
})

我可以将此字符数据转换为词袋表示,如下所示:

library(stringi)
library(Matrix)
tokens <- stri_split_fixed(sents1, ' ')
token_vector <- unlist(tokens)
bagofwords <- unique(token_vector)
n.ids <- sapply(tokens, length)
i <- rep(seq_along(n.ids), n.ids)
j <- match(token_vector, bagofwords)
M <- sparseMatrix(i=i, j=j, x=1L)
colnames(M) <- bagofwords

所以R可以在大约3秒钟内将1,000,000,000个短句矢量化为一个单词表示形式(不错!):

> M[1:3, 1:7]
10 x 7 sparse Matrix of class "dgCMatrix"
      fqt hqhkl sls lzo xrnh zkuqc mqh
 [1,]   1     1   1   1    .     .   .
 [2,]   .     .   .   .    1     1   1
 [3,]   .     .   .   .    .     .   .

我可以将这个稀疏矩阵抛入glmnet或irlba,并对文本数据做一些非常棒的定量分析.万岁!

现在我想将这个分析扩展到一个ngsms矩阵,而不是一个词袋矩阵.到目前为止,我发现这样做的最快方法如下(我在CRAN上找到的所有ngram函数都在这个数据集上被阻塞,所以我得到了SO的一点帮助):

find_ngrams <- function(dat, n, verbose=FALSE){
  library(pbapply)
  stopifnot(is.list(dat))
  stopifnot(is.numeric(n))
  stopifnot(n>0)
  if(n == 1) return(dat)
  pblapply(dat, function(y) {
    if(length(y)<=1) return(y)
    c(y, unlist(lapply(2:n, function(n_i) {
      if(n_i > length(y)) return(NULL)
      do.call(paste, unname(as.data.frame(embed(rev(y), n_i), stringsAsFactors=FALSE)), quote=FALSE)
    })))
  })
}

text_to_ngrams <- function(sents, n=2){
  library(stringi)
  library(Matrix)
  tokens <- stri_split_fixed(sents, ' ')
  tokens <- find_ngrams(tokens, n=n, verbose=TRUE)
  token_vector <- unlist(tokens)
  bagofwords <- unique(token_vector)
  n.ids <- sapply(tokens, length)
  i <- rep(seq_along(n.ids), n.ids)
  j <- match(token_vector, bagofwords)
  M <- sparseMatrix(i=i, j=j, x=1L)
  colnames(M) <- bagofwords
  return(M)
}

test1 <- text_to_ngrams(sents1)

这需要大约150秒(对于纯粹的r函数来说也不错),但我想更快地扩展到更大的数据集.

R中是否有任何非常快速的函数用于文本的n-gram矢量化？理想情况下,我正在寻找一个Rcpp函数,它将一个字符向量作为输入,并返回一个稀疏的文档x ngrams矩阵作为输出,但也很乐意有一些指导自己编写Rcpp函数.

即使更快的版本find_ngrams功能也会有所帮助,因为这是主要的瓶颈.令人惊讶的是,令牌令人惊讶.

编辑1 这是另一个示例数据集:

sents2 <- sapply(rpois(100000, 500) + 1, samplefun, words, ' ')

在这种情况下,我创建一个词袋矩阵的功能大约需要30秒,而我创建一个ngsms矩阵矩阵的功能大约需要500秒.同样,R中现有的n-gram矢量化器似乎扼杀了这个数据集(尽管我很想被证明是错误的!)

编辑2 时间vs tau:

zach_t1 <- system.time(zach_ng1 <- text_to_ngrams(sents1))
tau_t1 <- system.time(tau_ng1 <- tau::textcnt(as.list(sents1), n = 2L, method = "string", recursive = TRUE))
tau_t1 / zach_t1 #1.598655

zach_t2 <- system.time(zach_ng2 <- text_to_ngrams(sents2))
tau_t2 <- system.time(tau_ng2 <- tau::textcnt(as.list(sents2), n = 2L, method = "string", recursive = TRUE))
tau_t2 / zach_t2 #1.9295619

Answer 1

这是一个非常有趣的问题,而且我花了很多时间在quanteda包中努力解决这个问题.它涉及三个方面,我将评论,虽然它只是第三个真正解决你的问题.但前两点解释了为什么我只专注于ngram创建功能,因为 - 正如你所指出的那样 - 这就是提高速度的地方.

1. 符号化. 这里使用string::str_split_fixed()的是空格字符,这是最快但不是最好的标记方法.我们实现的几乎完全相同quanteda::tokenize(x, what = "fastest word").这不是最好的,因为stringi可以做更多更明智的空白分隔符实现.(即使是角色类\\s更聪明,但速度稍慢 - 这是实现的what = "fasterword").你的问题不是关于标记化,所以这一点只是上下文.

2. 制表文档特征矩阵.在这里,我们还使用Matrix包,索引文档和功能(我称之为功能,而不是术语),并像上面的代码一样直接创建稀疏矩阵.但是你的使用match()比我们通过data.table使用的匹配/合并方法要快得多.我将重新编码该quanteda::dfm()函数,因为您的方法更优雅,更快.真的,很高兴我看到了这个!

3. ngram创作.在这里,我认为我可以在性能方面提供帮助.我们通过参数在quanteda中实现它quanteda::tokenize(),调用grams = c(1)其中值可以是任何整数集.例如,我们对unigrams和bigrams的匹配就是这样ngrams = 1:2.您可以在https://github.com/kbenoit/quanteda/blob/master/R/tokenize.R上查看代码,查看内部函数ngram().我在下面复制了这个并制作了一个包装器,以便我们可以直接将它与你的find_ngrams()功能进行比较.

码:

# wrapper
find_ngrams2 <- function(x, ngrams = 1, concatenator = " ") { 
    if (sum(1:length(ngrams)) == sum(ngrams)) {
        result <- lapply(x, ngram, n = length(ngrams), concatenator = concatenator, include.all = TRUE)
    } else {
        result <- lapply(x, function(x) {
            xnew <- c()
            for (n in ngrams) 
                xnew <- c(xnew, ngram(x, n, concatenator = concatenator, include.all = FALSE))
            xnew
        })
    }
    result
}

# does the work
ngram <- function(tokens, n = 2, concatenator = "_", include.all = FALSE) {

    if (length(tokens) < n) 
        return(NULL)

    # start with lower ngrams, or just the specified size if include.all = FALSE
    start <- ifelse(include.all, 
                    1, 
                    ifelse(length(tokens) < n, 1, n))

    # set max size of ngram at max length of tokens
    end <- ifelse(length(tokens) < n, length(tokens), n)

    all_ngrams <- c()
    # outer loop for all ngrams down to 1
    for (width in start:end) {
        new_ngrams <- tokens[1:(length(tokens) - width + 1)]
        # inner loop for ngrams of width > 1
        if (width > 1) {
            for (i in 1:(width - 1)) 
                new_ngrams <- paste(new_ngrams, 
                                    tokens[(i + 1):(length(tokens) - width + 1 + i)], 
                                    sep = concatenator)
        }
        # paste onto previous results and continue
        all_ngrams <- c(all_ngrams, new_ngrams)
    }

    all_ngrams
}

以下是简单文本的比较:

txt <- c("The quick brown fox named Seamus jumps over the lazy dog.", 
         "The dog brings a newspaper from a boy named Seamus.")
tokens <- tokenize(toLower(txt), removePunct = TRUE)
tokens
# [[1]]
# [1] "the"    "quick"  "brown"  "fox"    "named"  "seamus" "jumps"  "over"   "the"    "lazy"   "dog"   
# 
# [[2]]
# [1] "the"       "dog"       "brings"    "a"         "newspaper" "from"      "a"         "boy"       "named"     "seamus"   
# 
# attr(,"class")
# [1] "tokenizedTexts" "list"     

microbenchmark::microbenchmark(zach_ng <- find_ngrams(tokens, 2),
                               ken_ng <- find_ngrams2(tokens, 1:2))
# Unit: microseconds
#                                expr     min       lq     mean   median       uq     max neval
#   zach_ng <- find_ngrams(tokens, 2) 288.823 326.0925 433.5831 360.1815 542.9585 897.469   100
# ken_ng <- find_ngrams2(tokens, 1:2)  74.216  87.5150 130.0471 100.4610 146.3005 464.794   100

str(zach_ng)
# List of 2
# $ : chr [1:21] "the" "quick" "brown" "fox" ...
# $ : chr [1:19] "the" "dog" "brings" "a" ...
str(ken_ng)
# List of 2
# $ : chr [1:21] "the" "quick" "brown" "fox" ...
# $ : chr [1:19] "the" "dog" "brings" "a" ...

对于你真正大的模拟文本,这里是比较:

tokens <- stri_split_fixed(sents1, ' ')
zach_ng1_t1 <- system.time(zach_ng1 <- find_ngrams(tokens, 2))
ken_ng1_t1 <- system.time(ken_ng1 <- find_ngrams2(tokens, 1:2))
zach_ng1_t1
#    user  system elapsed 
# 230.176   5.243 246.389 
ken_ng1_t1
#   user  system elapsed 
# 58.264   1.405  62.889 

已经有了改进,如果可以进一步改进,我会很高兴.我也应该能够将更快的dfm()方法实现到quanteda中,这样你就可以通过以下方式获得你想要的东西:

dfm(sents1, ngrams = 1:2, what = "fastestword",
    toLower = FALSE, removePunct = FALSE, removeNumbers = FALSE, removeTwitter = TRUE)) 

(这已经有效,但比你的整体结果慢,因为你创建最终稀疏矩阵对象的方式更快 - 但我会很快改变它.)