-
Notifications
You must be signed in to change notification settings - Fork 0
/
words-menu-2.qmd
404 lines (346 loc) · 11.7 KB
/
words-menu-2.qmd
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
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
# 抽出語メニュー2
```{r}
#| label: setup
suppressPackageStartupMessages({
library(ggplot2)
library(duckdb)
library(arules)
library(arulesViz)
library(ca)
})
drv <- duckdb::duckdb()
con <- duckdb::dbConnect(drv, dbdir = "tutorial_jp/kokoro.duckdb", read_only = TRUE)
tbl <-
readxl::read_xls("tutorial_jp/kokoro.xls",
col_names = c("text", "section", "chapter", "label"),
skip = 1
) |>
dplyr::mutate(
doc_id = factor(dplyr::row_number()),
dplyr::across(where(is.character), ~ audubon::strj_normalize(.))
) |>
dplyr::filter(!gibasa::is_blank(text)) |>
dplyr::relocate(doc_id, text, section, label, chapter)
```
---
## 関連語検索(A.5.6)
### 関連語のリスト
「確率差」や「確率比」については、いちおう計算はできた気がするが、あっているのかよくわからない。また、このやり方はそれなりの数の共起について計算をしなければならず、共起行列が大きくなると大変そう。
```{r}
#| label: calc-co-measures
dfm <-
dplyr::tbl(con, "tokens") |>
dplyr::filter(
section == "[1]上_先生と私",
pos %in% c(
"名詞", #"名詞B", "名詞C",
"地名", "人名", "組織名", "固有名詞",
"動詞", "未知語", "タグ"
)
) |>
dplyr::mutate(
token = dplyr::if_else(is.na(original), token, original),
token = paste(token, pos, sep = "/")
) |>
dplyr::count(doc_id, token) |>
dplyr::collect() |>
tidytext::cast_dfm(doc_id, token, n) |>
quanteda::dfm_weight(scheme = "boolean")
dat <- dfm |>
quanteda::fcm() |>
tidytext::tidy() |>
dplyr::rename(target = document, co_occur = count) |>
rlang::as_function(~ {
col_sums <- quanteda::colSums(dfm)
dplyr::reframe(.,
term = term,
target_occur = col_sums[target],
term_occur = col_sums[term],
co_occur = co_occur,
.by = target
)
})() |>
dplyr::mutate(
p_x = target_occur / quanteda::ndoc(dfm),
p_y = term_occur / quanteda::ndoc(dfm),
p_xy = (co_occur / quanteda::ndoc(dfm)) / p_x,
differential = p_xy - p_y, # 確率差
lift = p_xy / p_y, # 確率比(リフト),
jaccard = co_occur / (target_occur + term_occur - co_occur),
dice = 2 * co_occur / (target_occur + term_occur)
) |>
dplyr::select(target, term, differential, lift, jaccard, dice)
dat
```
### 共起ネットワーク
「先生/名詞」と関連の強そうな語の共起を図示した例。
「先生/名詞」と共起している語のうち、出現回数が上位20位以内である語が`target`である共起を抽出したうえで、それらのなかからJaccard係数が大きい順に75個だけ残している。「先生/名詞」という語そのものは図に含めていない。
```{r}
#| label: plot-co-measures
#| cache: true
dat |>
dplyr::inner_join(
dplyr::filter(dat, target == "先生/名詞") |> dplyr::select(term),
by = dplyr::join_by(target == term)
) |>
dplyr::filter(target %in% names(quanteda::topfeatures(dfm, 20))) |>
dplyr::slice_max(jaccard, n = 75) |>
tidygraph::as_tbl_graph(directed = FALSE) |>
tidygraph::to_minimum_spanning_tree() |>
purrr::pluck("mst") |>
dplyr::mutate(
community = factor(tidygraph::group_leading_eigen())
) |>
ggraph::ggraph(layout = "fr") +
ggraph::geom_edge_link(aes(width = sqrt(lift), alpha = jaccard)) +
ggraph::geom_node_point(aes(colour = community), show.legend = FALSE) +
ggraph::geom_node_text(aes(label = name, colour = community), repel = TRUE, show.legend = FALSE) +
ggraph::theme_graph()
```
### アソシエーション分析🍳
英語だとこのメニューの名前は「Word Association」となっているので、ふつうにアソシエーション分析すればいいと思った。
arulesの`transactions`オブジェクトをつくるには、quantedaの`fcm`オブジェクトから変換すればよい(arulesをアタッチしている必要がある)。
```{r}
#| label: create-transactions
library(arules)
library(arulesViz)
dat <-
dplyr::tbl(con, "tokens") |>
dplyr::filter(
pos %in% c(
"名詞", #"名詞B", "名詞C",
"地名", "人名", "組織名", "固有名詞",
"動詞", "未知語", "タグ"
)
) |>
dplyr::mutate(
token = dplyr::if_else(is.na(original), token, original),
token = paste(token, pos, sep = "/")
) |>
dplyr::count(doc_id, token) |>
dplyr::collect() |>
tidytext::cast_dfm(doc_id, token, n) |>
quanteda::dfm_weight(scheme = "boolean") |>
quanteda::fcm() |>
as("nMatrix") |>
as("transactions")
```
`arules::apriori()`でアソシエーションルールを抽出する。
```{r}
#| label: apriori
#| cache: true
rules <-
arules::apriori(
dat,
parameter = list(
support = 0.075,
confidence = 0.8,
minlen = 2,
maxlen = 2, # LHS+RHSの長さ。変えないほうがよい
maxtime = 5
),
control = list(verbose = FALSE)
)
```
この形式のオブジェクトは`as(rules, "data.frame")`のようにしてデータフレームに変換できる。`tibble`にしたい場合には次のようにすればよい。
```{r}
#| label: glimpse-rules
as(rules, "data.frame") |>
dplyr::mutate(across(where(is.numeric), ~ signif(., digits = 3))) |>
tidyr::separate_wider_delim(rules, delim = " => ", names = c("lhs", "rhs")) |>
dplyr::arrange(desc(lift))
```
### 散布図🍳
```{r}
#| label: plot-rules-scatter
plot(rules, engine = "html")
```
### バルーンプロット🍳
```{r}
#| label: plot-rules-grouped
plot(rules, method = "grouped", engine = "html")
```
### ネットワーク図🍳
```{r}
#| label: plot-rules-graph
plot(rules, method = "graph", engine = "html")
```
## 対応分析(A.5.7)
### コレスポンデンス分析
段落(`doc_id`)内の頻度で語彙を削ってから部(`section`)ごとに集計するために、ややめんどうなことをしている。
```{r}
#| label: create-dfm
dfm <-
dplyr::tbl(con, "tokens") |>
dplyr::filter(
pos %in% c(
"名詞", "名詞B", "名詞C",
"地名", "人名", "組織名", "固有名詞",
"動詞", "未知語", "タグ"
)
) |>
dplyr::mutate(
token = dplyr::if_else(is.na(original), token, original),
token = paste(token, pos, sep = "/")
) |>
dplyr::count(doc_id, token) |>
dplyr::collect() |>
tidytext::cast_dfm(doc_id, token, n) |>
quanteda::dfm_trim(
min_termfreq = 75,
termfreq_type = "rank",
min_docfreq = 30,
docfreq_type = "count"
)
```
こうして`doc_id`ごとに集計した`dfm`オブジェクトを一度`tidytext::tidy()`して3つ組のデータフレームに戻し、`section`のラベルを結合する。このデータフレームをもう一度`tidytext::cast_dfm()`で疎行列に変換して、`quanteda.textmodels::textmodel_ca()`を使って対応分析にかける。
```{r}
#| label: fit-ca
#| cache: true
ca_fit <- dfm |>
tidytext::tidy() |>
dplyr::left_join(
dplyr::select(tbl, doc_id, section),
by = dplyr::join_by(document == doc_id)
) |>
tidytext::cast_dfm(section, term, count) |>
quanteda.textmodels::textmodel_ca(nd = 2, sparse = TRUE)
```
この関数は疎行列に対して計算をおこなえるため、比較的大きな行列を渡しても大丈夫。
### バイプロット
caパッケージを読み込んでいると`plot()`でバイプロットを描ける。`factoextra::fviz_ca_biplot()`でも描けるが、見た目は`plot()`のとあまり変わらない。
```{r}
#| label: plot-ca-1
library(ca)
dat <- plot(ca_fit)
```
### バイプロット(バブルプロット)
ggplot2でバイプロットを描画するには、たとえば次のようにする。`ggrepel::geom_text_repel()`でラベルを出す語彙の選択の仕方はもうすこし工夫したほうがよいかもしれない。
なお、このコードは[Correspondence Analysis visualization using ggplot | R-bloggers](https://www.r-bloggers.com/2019/08/correspondence-analysis-visualization-using-ggplot/)を参考にした。
```{r}
#| label: plot-ca-2
tf <- dfm |>
tidytext::tidy() |>
dplyr::left_join(
dplyr::select(tbl, doc_id, section),
by = dplyr::join_by(document == doc_id)
) |>
dplyr::summarise(tf = sum(count), .by = term) |>
dplyr::pull(tf, term)
# modified from https://www.r-bloggers.com/2019/08/correspondence-analysis-visualization-using-ggplot/
make_ca_plot_df <- function(ca.plot.obj, row.lab = "Rows", col.lab = "Columns") {
tibble::tibble(
Label = c(
rownames(ca.plot.obj$rows),
rownames(ca.plot.obj$cols)
),
Dim1 = c(
ca.plot.obj$rows[, 1],
ca.plot.obj$cols[, 1]
),
Dim2 = c(
ca.plot.obj$rows[, 2],
ca.plot.obj$cols[, 2]
),
Variable = c(
rep(row.lab, nrow(ca.plot.obj$rows)),
rep(col.lab, nrow(ca.plot.obj$cols))
)
)
}
dat <- dat |>
make_ca_plot_df(row.lab = "Construction", col.lab = "Medium") |>
dplyr::mutate(
Size = dplyr::if_else(Variable == "Construction", mean(tf), tf[Label])
)
# 非ASCII文字のラベルに対してwarningを出さないようにする
suppressWarnings({
ca_sum <- summary(ca_fit)
dim_var_percs <- ca_sum$scree[, "values2"]
})
dat |>
ggplot(aes(x = Dim1, y = Dim2, col = Variable, label = Label)) +
geom_vline(xintercept = 0, lty = "dashed", alpha = .5) +
geom_hline(yintercept = 0, lty = "dashed", alpha = .5) +
geom_jitter(aes(size = Size), alpha = .3, show.legend = FALSE) +
ggrepel::geom_label_repel(
data = \(x) dplyr::filter(x, Variable == "Construction"),
show.legend = FALSE
) +
ggrepel::geom_text_repel(
data = \(x) dplyr::filter(x, Variable == "Medium", sqrt(Dim1^2 + Dim2^2) > 0.25),
show.legend = FALSE
) +
scale_x_continuous(
limits = range(dat$Dim1) +
c(diff(range(dat$Dim1)) * -0.2, diff(range(dat$Dim1)) * 0.2)) +
scale_y_continuous(
limits = range(dat$Dim2) +
c(diff(range(dat$Dim2)) * -0.2, diff(range(dat$Dim2)) * 0.2)) +
scale_size_area(max_size = 16) +
labs(
x = paste0("Dimension 1 (", signif(dim_var_percs[1], 3), "%)"),
y = paste0("Dimension 2 (", signif(dim_var_percs[2], 3), "%)")
) +
theme_classic()
```
## 多次元尺度構成法(A.5.8)
### MDS・バブルプロット
`MASS::isoMDS()`より`MASS::sammon()`のほうがたぶん見やすい。
```{r}
#| label: mds-2d
#| cache: true
simil <- dfm |>
quanteda::dfm_weight(scheme = "boolean") |>
proxyC::simil(margin = 2, method = "jaccard")
dat <- MASS::sammon(1 - simil, k = 2) |>
purrr::pluck("points")
```
```{r}
#| label: plot-mds-2d
dat <- dat |>
dplyr::as_tibble(
rownames = "label",
.name_repair = ~ c("Dim1", "Dim2")
) |>
dplyr::mutate(
size = tf[label],
clust = (hclust(
proxyC::dist(dat, method = "euclidean") |> as.dist(),
method = "ward.D2"
) |> cutree(k = 6))[label]
)
dat |>
ggplot(aes(x = Dim1, y = Dim2, label = label, col = factor(clust))) +
geom_point(aes(size = size), alpha = .3, show.legend = FALSE) +
ggrepel::geom_text_repel(show.legend = FALSE) +
scale_size_area(max_size = 16) +
theme_classic()
```
### MDS・3次元プロット
scatterplot3dではなくplotlyで試してみたが、とくに見やすいということはなかったかもしれない。
```{r}
#| label: mds-3d
#| cache: true
dat <- MASS::sammon(1 - simil, k = 3) |>
purrr::pluck("points") |>
dplyr::as_tibble(
.name_repair = ~ paste0("V", seq_along(.)),
rownames = "label"
) |>
dplyr::rename(Dim1 = V1, Dim2 = V2, Dim3 = V3) |>
dplyr::mutate(term_freq = tf[label])
```
```{r}
#| label: plot-mds-3d
dat |>
plotly::plot_ly(x = ~Dim1, y = ~Dim2, z = ~Dim3, text = ~label, color = ~term_freq) |>
plotly::add_markers(opacity = .5)
```
---
```{r}
#| label: cleanup
duckdb::dbDisconnect(con)
duckdb::duckdb_shutdown(drv)
sessioninfo::session_info(info = "packages")
```