-
Notifications
You must be signed in to change notification settings - Fork 1
/
AulaXTopicModels.R
323 lines (258 loc) · 14.3 KB
/
AulaXTopicModels.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
###################################
#### Manoel Galdino 19/07.2014 ####
#### Aula 6 - LDA/Topic Model ####
###################################
# Cada documento d é gerado do seguinte modo:
# A proporção de tópicos do documento d
# é sorteada de uma distribuição apriori
# ou seja, geramos uma mistrua de tópicos
# Sorteamos um tópico z com as prob. acima
# E palavras são sorteadas de cada tópico
# de acordo com a distribuição de z.
# em Geral, Z é multinomial e a prob de cada
# categoria (palavra do vocabulário) é específica
# para cada tópico z
# exemplo com dois tópicos, t1 e t2
# pra gerar um documento d1
# Sorteio de uma priori theta a prop. de tópicos de d1 e
# gero o número de palavras, n, de d1
# (na verdade, geramos n1 palavras pra t1 e n2 palavras
# pra t2). E assim temos n = n1 + n2 e a proporção é
# n1/n e n2/n
# gero as n1 palavras de t1 de acordo com uma multinomial
# m1
# gero as n2 palavras de t2 de acordo com uma multinomial
# m2
# theta é uma dirichelet(alpha)
# no exemplo com dois topicos, alpha é um vetor de tamanho 2
# e cada elemento de alpha influencia n1 e n2
## bag-of-words assumption
# pacotes
if(require("XML") == F){install.packages("XML")
library("XML")}
if(require("MCMCpack") == F){install.packages("MCMCpack"); library("MCMCpack")}
if(require("tm") == F){install.packages('tm'); library("tm")}
if(require("SnowballC") == F){install.packages('SnowballC'); library("SnowballC")}
if(require("data.table") == F){install.packages('data.table'); library("data.table")}
if(require("ggplot2") == F){install.packages('ggplot2'); library("ggplot2")}
if(require("seqinr") == F) {install.packages("seqinr"); library("seqinr")}
if(require("RTextTools") == F) {install.packages("RTextTools")
library("RTextTools")}
if(require(topicmodels) == F) {install.packages("topicmodels")
library("topicmodels")}
######
## Análise de Dados de Revistas na Scielo
###########################################
# Funções de scraping
pegaLinks1 <- function ( url.inicial, padrao.inicial, arg.xpath="//a/@href") {
#browser()
doc <- htmlParse( url.inicial) # parseia url
linksAux <- xpathSApply(doc, arg.xpath) # coleta os links
linksMandato <- unique(linksAux[grep(padrao.inicial, linksAux)]) # me traz apenas os links certos
free(doc)
return(linksMandato)
}
pegaLinks2 <- function ( url.inicial, busca.padrao=F,
padrao.inicial, arg.xpath="//p[@xmlns]") {
#browser()
doc <- htmlParse( url.inicial) # parseia url
links <- xpathSApply(doc, arg.xpath, xmlValue) # coleta os links
free(doc)
if (busca.padrao) links <- unique(linksAux[grep(padrao.inicial, links)]) # me traz apenas os links certos
return(links)
}
# Funções de Processamento e limpeza
remove_acento <- function(vec, Toupper=F) {
vec <- tolower(vec)
vec <- gsub('á', 'a', vec)
vec <- gsub('ã', 'a', vec)
vec <- gsub('à', 'a', vec)
vec <- gsub('â', 'a', vec)
vec <- gsub('é', 'e', vec)
vec <- gsub('ê', 'e', vec)
vec <- gsub('í', 'i', vec)
vec <- gsub('ó', 'o', vec)
vec <- gsub('ô', 'o', vec)
vec <- gsub('õ', 'o', vec)
vec <- gsub('ú', 'u', vec)
vec <- gsub('ç', 'c', vec)
vec <- gsub('\'', '', vec)
if ( Toupper==T) vec <- toupper(vec)
return(vec)
}
RemovePalavrasMuitoUsadasAutor <- function(corpus, autorMatrix, perc, verbose = T){
# retorna o corpus de entrada retirando as palvras que aparecem em mais de 90%
# dos documentos de um mesmo autor
if(verbose == T){
temp <- strsplit(as.character(corpus), " ")
nStems <- length(unique(unlist(temp)))
}
vecW <- list()
for (i in 1:length(autorMatrix[,1])){
m <- corpus[autorMatrix[i,1]:autorMatrix[i,2]]
corpus[1]
dtm <- as.matrix(DocumentTermMatrix(m))
mBin <- as.matrix((dtm > 0) + 0)
docs <- autorMatrix[i,2]-autorMatrix[i,1]
nomes <- names(which(colSums(mBin)/(docs+1) > perc))
vecW[i] <- ifelse(length(nomes) > 0, list(nomes), NA)
aux <- unlist(vecW[i])
if(!is.na(vecW[i])){
corpus[autorMatrix[i,1]:autorMatrix[i,2]] <- tm_map(m, removeWords,
aux) # removendo palavras escolhidas
}
#if(i%%20 == 0)
print(paste(i, "de", length(autorMatrix[,1]), sep = " "))
if(i== nrow(autorMatrix)) print(paste(i, "de", length(autorMatrix[,1]), sep = " "))
}
if(verbose == T){
#retiradas <- length(unique(unlist(vecW)))
temp1 <- strsplit(as.character(corpus), " ")
sobra <- length(unique(unlist(temp1)))
#sum(do.call(rbind, lapply(vecW, function(x) { ifelse(is.na(x) , 0, length(x))})))
retiradas <- nStems - sobra
print(paste("Tinhamos", nStems, "raizes e retiramos", retiradas, "palavras. Sobraram", sobra, sep = " "))
# if(retiradas < 500) print(paste("Palavras retiradas:", unique(unlist(vecW))))
}
gc()
return(corpus)
}
RemovePalavrasPoucoUsadas <- function(corpus, perc.doc){
# retorna o corpus de entrada retirando as palvras que aparecem em menos de perDoc%
# do total de documentos
#
# obtendo vetor com stems menos utilizados
# corpus <- pequenoExpediente
vector <- as.character(corpus)
#vector[1]
# lista com todas as palavras por documento
temp <- strsplit(vector, " " , fixed = FALSE, perl = FALSE, useBytes = FALSE)
nStems <- sum(do.call(rbind, lapply(temp, function(x) length(x))))
nDocs <- length(temp)
print(paste("Total de stems em todos os", nDocs, "documentos:", nStems, sep = " "))
# lista de palavras unicas por documento
temp <- lapply(temp, function(x) unique(x)) # lista com palavras unicas por documento
nStems <- sum(do.call(rbind, lapply(temp, function(x) length(x))))
nDocs <- length(temp)
print(paste("Total de stems unicos somando-se cada um dos", nDocs, "documentos:", nStems, sep = " "))
# vetor com palavras unicas em cada documento
temp <- unlist(temp)
print(paste("Total de stems unicos em todo o Corpus:", length(unique(temp)), sep = " "))
# data.frame com o numero de documentos em que cada palavra aparece
temp <- as.data.frame(table(temp))
# length(temp2[,1])
temp <- temp[order(temp$Freq, decreasing = T),]
print(paste("Dez stems que parecem em mais documentos:", paste(temp[1:10, 1], collapse = " "), sep = " "))
docs <- length(corpus) # numero de documentos
# vetor com as palavras que parecem em menos de perc.doc% dos documentos
vecW <- temp[(which(temp$Freq/docs < perc.doc)), 1]
print(paste("Os stems que aparecem em menos de", perc.doc, "dos documentos representam",
round(length(vecW)/length(temp[,1]), 2), "do total.", sep = " "))
resto <- length(temp[,1]) - length(vecW)
print(paste("V?o restar", resto, "stems", sep = " "))
# removendo stems selecionados
# inventei o fas gsub!!!
vector <- strsplit(vector, " ", fixed = T, perl = F, useBytes = FALSE)
vector <- lapply(vector, function(x) ifelse(x %in% vecW, "", x)) # fast gsub
vector <- lapply(vector, paste, collapse = " ")
vector <- unlist(vector)
#sapply(gregexpr("\\W+", j2), length) + 1 fun??o que conta palavras de uma string - ver stackoverflow
corpus <- Corpus(VectorSource(vector),
readerControl = list(language = "portuguese"))
gc()
return(corpus)
}
StemsTopico <- function(matrix){
# fun??o que recebe uma matriz stem \times topics e retorna um vetor cujo tamanho
# e igual ao numero de topicos e cada elemento representa at? 10 Stems mais
# importantes daquele topico.
wordTopic <- data.frame()
for( i in 1:dim(matrix)[1]){
wordTopic[i, 1] <- which.max(matrix[i,])
wordTopic[i, 2] <- matrix[i, wordTopic[i, 1]]
}
wordTopic$topic <- rownames(matrix)
wordTopic <- wordTopic[order(wordTopic[,1], -wordTopic[,2]), ]
vec <- NULL
for (i in 1:length(unique(wordTopic$V1))){
vec[i] <- paste(subset(wordTopic, V1 == i)[1:10, 3], collapse = " ")
}
# retirando NAs
vec <- gsub("NA", "", vec)
vec <- trimSpace(vec)
vec <- gsub(" ", "; ", vec)
return(vec)
}
# Quais os tópicos da revista BPSR?
url <- "http://www.scielo.br/scielo.php?script=sci_issues&pid=1981-3821&lng=en&nrm=iso"
bpsr2014 <- pegaLinks1(url, "2014")
bpsr2013 <- pegaLinks1(url, "2013")
bpsr2012 <- pegaLinks1(url, "2012")
listaBpsr <- c(bpsr2014, bpsr2013, bpsr2012)
n <- length(listaBpsr)
abstract <- list()
for ( i in 1:n) abstract[[i]] <- pegaLinks1(listaBpsr[i], "abstract")
length(abstract)
length(abstract[[1]])
abstract[[1]]
# duas opções
# readLines ou usarpegaLinks1
#pegaLinks1
vecAbstract <- unlist(abstract)
aux <- 0
for ( i in 1:length(vecAbstract)) aux[i] <- pegaLinks2(vecAbstract[i])[2]
View(aux)
# criando corpus ---------------------------------------------------------------------------------------------------------------
extendedstopwords <- c("a","about","above","across","after",
"again","against","all","almost",
"alone","along","already","also",
"although","always","am","among",
"an","and","another","any","anybody","anyone","anything","anywhere","are","area","areas","aren't","around","as","ask","asked","asking","asks","at","away","b","back","backed","backing","backs","be","became","because","become","becomes","been","before","began","behind","being","beings","below","best","better","between","big","both","but","by","c","came","can","cannot","can't","case","cases","certain","certainly","clear","clearly","come","could","couldn't","d","did","didn't","differ","different","differently","do","does","doesn't","doing","done","don't","down","downed","downing","downs","during","e","each","early","either","end","ended","ending","ends","enough","even","evenly","ever","every","everybody","everyone","everything","everywhere","f","face","faces","fact","facts","far","felt","few","find","finds","first","for","four","from","full","fully","further","furthered","furthering","furthers","g","gave","general","generally","get","gets","give","given","gives","go","going","good","goods","got","great","greater","greatest","group","grouped","grouping","groups","h","had","hadn't","has","hasn't","have","haven't","having","he","he'd","he'll","her","here","here's","hers","herself","he's","high","higher","highest","him","himself","his","how","however","how's","i","i'd","if","i'll","i'm","important","in","interest","interested","interesting","interests","into","is","isn't","it","its","it's","itself","i've","j","just","k","keep","keeps","kind","knew","know","known","knows","l","large","largely","last","later","latest","least","less","let","lets","let's","like","likely","long","longer","longest","m","made","make","making","man","many","may","me","member","members","men","might","more","most","mostly","mr","mrs","much","must","mustn't","my","myself","n","necessary","need","needed","needing","needs","never","new","newer","newest","next","no","nobody","non","noone","nor","not","nothing","now","nowhere","number","numbers","o","of","off","often","old","older","oldest","on","once","one","only","open","opened","opening","opens","or","order","ordered","ordering","orders","other","others","ought","our","ours","ourselves","out","over","own","p","part","parted","parting","parts","per","perhaps","place","places","point","pointed","pointing","points","possible","present","presented","presenting","presents","problem","problems","put","puts","q","quite","r","rather","really","right","room","rooms","s","said","same","saw","say","says","second","seconds","see","seem","seemed","seeming","seems","sees","several","shall","shan't","she","she'd","she'll","she's","should","shouldn't","show","showed","showing","shows","side","sides","since","small","smaller","smallest","so","some","somebody","someone","something","somewhere","state","states","still","such","sure","t","take","taken","than","that","that's","the","their","theirs","them","themselves","then","there","therefore","there's","these","they","they'd","they'll","they're","they've","thing","things","think","thinks","this","those","though","thought","thoughts","three","through","thus","to","today","together","too","took","toward","turn","turned","turning","turns","two","u","under","until","up","upon","us","use","used","uses","v","very","w","want","wanted","wanting","wants","was","wasn't","way","ways","we","we'd","well","we'll","wells","went","were","we're","weren't","we've","what","what's","when","when's","where","where's","whether","which","while","who","whole","whom","who's","whose","why","why's","will","with","within","without","won't","work","worked","working","works","would","wouldn't","x","y","year","years","yes","yet","you","you'd","you'll","young","younger","youngest","your","you're","yours","yourself","yourselves","you've","z")
regexextendedstopwords <- paste("\\b", extendedstopwords, "\\b", sep="")
aux1 <- removeStopoWords(aux, extendedstopwords)
dtm.control <- list(
tolower = T,
removePunctuation = T,
removeNumbers = T,
stopwords = c(stopwords("english"),extendedstopwords),
# snowball tem stopwords em pt
stemming = T,
wordLengths = c(3,Inf),
weighting = weightTf
)
# transformando vetor de documentos em corpus
abstractBPSR <- Corpus(VectorSource(aux))
dtm <- DocumentTermMatrix(abstractBPSR, control=dtm.control)
dim(dtm)
## cada doc é uma linha
# cada palavra uma coluna
# número de colunas e igual número de palavras únicas em todos os docs
View(dtm) ## erro. Tem que usar inspect
inspect(dtm[1:10,850:872])
# dtm1 <- removeSparseTerms(dtm,0.95)
# dim(dtm1)
#
# Drop documents with little or no text (left)
#dtm <- dtm[rowSums(as.matrix(dtm))>0,]
#### Topic Modeling - LDA ####
### Qtos tópicos? 3?
## Número pequeno, pois tenho poucos docs
set.seed(2)
lda <- LDA(dtm,3)
## imprime os tópicos (numerados de 1 a 3)
## para cada documento
# t termos mais prováveis por tópico
t <- 15
View(terms(lda, t))
## vamos olhar o Topic 17
## Aprov Eleitoral? Bush, Clinton etc.
# t termos com prob acima de minimo
minimo <- .05
terms(lda, t, threshold=minimo)
p <- posterior(lda)$terms
p[, 1:10]
# Ref
http://java.dzone.com/articles/topic-modeling-python-and-r
https://github.com/OhLookCake/xkcd-Topics/commit/11ccb14160746c29c06a5a14b97dadc759e8c292
https://github.com/benmarwick/dayofarchaeology/blob/master/004_generate_topic_model.r
http://www.rtexttools.com/1/post/2011/08/getting-started-with-latent-dirichlet-allocation-using-rtexttools-topicmodels.html