{"id":443365,"date":"2024-12-26T07:53:40","date_gmt":"2024-12-26T07:53:40","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=443365"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=443365","title":{"rendered":"<span>\u0422\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u0439 \u0430\u043d\u0430\u043b\u0438\u0437 \u0432 R \u0447\u0435\u0440\u0435\u0437 quanteda \u0438 tm<\/span>"},"content":{"rendered":"<div><!--[--><!--]--><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p><strong><em>\u041f\u0440\u0438\u0432\u0435\u0442, \u0425\u0430\u0431\u0440!<\/em><\/strong><\/p>\n<p>\u0412 \u044d\u0442\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0435 \u044f \u0440\u0430\u0441\u0441\u043a\u0430\u0436\u0443 \u0432\u0430\u043c \u043e\u00a0\u0442\u043e\u043c, \u043a\u0430\u043a\u00a0\u043c\u043e\u0436\u043d\u043e \u0430\u043d\u0430\u043b\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0442\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435 \u0432\u00a0R, \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044f \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438 <strong>quanteda<\/strong> \u0438 <strong>tm<\/strong>. <\/p>\n<h4>\u0417\u0430\u0447\u0435\u043c \u0432\u043e\u043e\u0431\u0449\u0435 quanteda \u0438 tm, \u0438 \u043f\u043e\u0447\u0435\u043c\u0443 \u043d\u0435 Python?<\/h4>\n<p>\u0421\u043f\u0440\u0430\u0432\u0435\u0434\u043b\u0438\u0432\u044b\u0439 \u0432\u043e\u043f\u0440\u043e\u0441: \u0432\u0441\u0435 \u0432\u043e\u043a\u0440\u0443\u0433 \u043b\u044e\u0431\u044f\u0442 <code>spaCy<\/code>, <code>nltk<\/code>, <code>gensim<\/code> \u0432\u00a0Python, \u0430\u00a0\u0442\u0443\u0442 \u043c\u044b \u043f\u0440\u043e\u00a0R. R \u043e\u0442\u043b\u0438\u0447\u043d\u043e \u043f\u043e\u0434\u0445\u043e\u0434\u0438\u0442 \u0434\u043b\u044f\u00a0\u0431\u044b\u0441\u0442\u0440\u044b\u0445 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439, \u0438\u043c\u0435\u0435\u0442 \u0443\u0434\u043e\u0431\u043d\u044b\u0439 \u0441\u0438\u043d\u0442\u0430\u043a\u0441\u0438\u0441 \u0434\u043b\u044f\u00a0\u043c\u0430\u043d\u0438\u043f\u0443\u043b\u044f\u0446\u0438\u0439 \u0441\u00a0\u0434\u0430\u043d\u043d\u044b\u043c\u0438, \u0430\u00a0\u0441\u0430\u043c\u043e\u0435 \u0433\u043b\u0430\u0432\u043d\u043e\u0435\u00a0\u2014 \u043f\u0430\u043a\u0435\u0442\u044b <code>quanteda<\/code> \u0438 <code>tm<\/code> \u0434\u0430\u044e\u0442 \u043e\u0431\u0448\u0438\u0440\u043d\u044b\u0439 \u0444\u0443\u043d\u043a\u0446\u0438\u043e\u043d\u0430\u043b \u0434\u043b\u044f\u00a0\u043b\u0438\u043d\u0433\u0432\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0430\u043d\u0430\u043b\u0438\u0437\u0430. \u0415\u0441\u043b\u0438 \u0432\u044b \u0443\u0436\u0435 \u0437\u043d\u0430\u043a\u043e\u043c\u044b \u0441 <a href=\"https:\/\/www.tidyverse.org\/\">tidyverse<\/a>, \u0442\u043e\u0433\u0434\u0430 \u0440\u0430\u0431\u043e\u0442\u0430 \u0441\u00a0\u0442\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u043f\u043e\u043a\u0430\u0436\u0435\u0442\u0441\u044f \u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u00ab\u043d\u0430\u0442\u0438\u0432\u043d\u043e\u0439\u00bb. \u041a\u0440\u043e\u043c\u0435 \u0442\u043e\u0433\u043e, quanteda\u00a0\u2014 \u044d\u0442\u043e \u0443\u043d\u0438\u0432\u0435\u0440\u0441\u0430\u043b \u0434\u043b\u044f\u00a0\u0442\u0435\u043a\u0441\u0442\u043e\u0432: \u0442\u043e\u043a\u0435\u043d\u0438\u0437\u0430\u0446\u0438\u044f, \u0441\u0442\u043e\u043f\u2011\u0441\u043b\u043e\u0432\u0430, stemming, \u043b\u0435\u043c\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u044f (\u0447\u0435\u0440\u0435\u0437 \u0434\u043e\u043f. \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u044b), \u0430\u043d\u0430\u043b\u0438\u0437 \u0447\u0430\u0441\u0442\u043e\u0442, \u0431\u0438\u0433\u0440\u0430\u043c\u043c, \u0442\u0440\u0438\u0433\u0440\u0430\u043c\u043c, \u043f\u043e\u0441\u0442\u0440\u043e\u0435\u043d\u0438\u0435 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043d\u043e\u2011\u0442\u0435\u0440\u043c\u0438\u043d\u043d\u044b\u0445 \u043c\u0430\u0442\u0440\u0438\u0446, \u0440\u0430\u0441\u0447\u0435\u0442\u044b \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043c\u0435\u0442\u0440\u0438\u043a, \u0438 \u043c\u043d\u043e\u0433\u043e\u0435 \u0434\u0440\u0443\u0433\u043e\u0435.<\/p>\n<p>\u0410\u00a0\u0432\u043e\u0442 <code>tm<\/code> \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u043a\u0430\u043a\u00a0\u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442 \u0434\u043b\u044f\u00a0\u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0442\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u0445 \u043a\u043e\u0440\u043f\u0443\u0441\u043e\u0432, \u043f\u043e\u0441\u0442\u0440\u043e\u0435\u043d\u0438\u044f DTM, \u043e\u0447\u0438\u0441\u0442\u043a\u0438 \u0438 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044f. <\/p>\n<h4>\u041d\u0430\u0447\u043d\u0435\u043c: \u0443\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0430 \u0438 \u0437\u0430\u0433\u0440\u0443\u0437\u043a\u0430 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a<\/h4>\n<p>\u0414\u043b\u044f\u00a0\u043d\u0430\u0447\u0430\u043b\u0430 \u0443\u0441\u0442\u0430\u043d\u0430\u0432\u043b\u0438\u0432\u0430\u0435\u043c \u043f\u0430\u043a\u0435\u0442\u044b:<\/p>\n<pre><code class=\"r\">install.packages(\"quanteda\") install.packages(\"tm\") install.packages(\"SnowballC\")      # \u0414\u043b\u044f \u0441\u0442\u0435\u043c\u043c\u0438\u043d\u0433\u0430 install.packages(\"wordcloud\")      # \u041f\u043e\u0447\u0435\u043c\u0443 \u0431\u044b \u0438 \u043d\u0435\u0442, \u0434\u043b\u044f \u043d\u0430\u0433\u043b\u044f\u0434\u043d\u043e\u0441\u0442\u0438 install.packages(\"textstem\")       # \u0414\u043b\u044f \u043b\u0435\u043c\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u0438 install.packages(\"readtext\")       # \u0423\u0434\u043e\u0431\u043d\u044b\u0439 \u0438\u043c\u043f\u043e\u0440\u0442 \u0442\u0435\u043a\u0441\u0442\u043e\u0432 install.packages(\"dplyr\")          # \u041d\u0443 \u043a\u0443\u0434\u0430 \u0431\u0435\u0437 \u043d\u0435\u0433\u043e<\/code><\/pre>\n<p>\u041f\u043e\u0434\u0442\u044f\u0433\u0438\u0432\u0430\u0435\u043c \u0438\u0445 \u0432\u00a0\u0441\u0435\u0441\u0441\u0438\u044e:<\/p>\n<pre><code class=\"r\">library(quanteda) library(tm) library(SnowballC) library(wordcloud) library(textstem) library(readtext) library(dplyr)<\/code><\/pre>\n<h4>\u0417\u0430\u0433\u0440\u0443\u0437\u043a\u0430 \u0434\u0430\u043d\u043d\u044b\u0445<\/h4>\n<p>\u041f\u0440\u0435\u0434\u043f\u043e\u043b\u043e\u0436\u0438\u043c, \u0435\u0441\u0442\u044c \u043f\u0430\u043f\u043a\u0430 \u0441\u00a0\u0442\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u043c\u0438 \u0444\u0430\u0439\u043b\u0430\u043c\u0438 \u043d\u043e\u0432\u043e\u0441\u0442\u043d\u044b\u0445 \u0441\u0442\u0430\u0442\u0435\u0439 \u043d\u0430\u00a0\u0440\u0443\u0441\u0441\u043a\u043e\u043c \u044f\u0437\u044b\u043a\u0435. \u0414\u043b\u044f\u00a0\u043f\u043e\u043b\u043d\u043e\u0442\u044b \u043a\u0430\u0440\u0442\u0438\u043d\u044b \u043d\u0430\u0437\u043e\u0432\u0435\u043c \u0435\u0435 <code>.\/data\/articles\/<\/code>. \u041a\u0430\u0436\u0434\u044b\u0439 \u0444\u0430\u0439\u043b\u00a0\u2014 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u0430\u044f \u0441\u0442\u0430\u0442\u044c\u044f \u0432\u00a0\u0444\u043e\u0440\u043c\u0430\u0442\u0435 <code>.txt<\/code>. \u041c\u043e\u0436\u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c <code>readtext<\/code> \u0434\u043b\u044f\u00a0\u0443\u0434\u043e\u0431\u043d\u043e\u0433\u043e \u0447\u0442\u0435\u043d\u0438\u044f \u0441\u0440\u0430\u0437\u0443 \u043f\u0430\u0447\u043a\u0438 \u0444\u0430\u0439\u043b\u043e\u0432:<\/p>\n<pre><code class=\"r\"># \u0414\u043e\u043f\u0443\u0441\u0442\u0438\u043c, \u043d\u0430\u0448\u0438 \u0444\u0430\u0439\u043b\u044b \u0432 .\/data\/articles\/*.txt text_data &lt;- readtext(\".\/data\/articles\/*.txt\", encoding = \"UTF-8\") head(text_data)<\/code><\/pre>\n<p>\u042d\u0442\u043e \u0441\u043e\u0437\u0434\u0430\u0441\u0442 \u0444\u0440\u0435\u0439\u043c \u0434\u0430\u043d\u043d\u044b\u0445, \u0433\u0434\u0435 \u0431\u0443\u0434\u0435\u0442 \u043a\u043e\u043b\u043e\u043d\u043a\u0430 <code>text<\/code>. \u0415\u0441\u043b\u0438 \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e \u0431\u0435\u0437\u043e\u043f\u0430\u0441\u043d\u044b\u0439 \u043a\u043e\u0434, \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0435\u043c \u043d\u0430\u043b\u0438\u0447\u0438\u0435 \u0444\u0430\u0439\u043b\u043e\u0432, \u043a\u043e\u0434\u0438\u0440\u043e\u0432\u043a\u0438 \u0438\u00a0\u0442.\u00a0\u043f. \u041d\u043e\u00a0\u0441\u0435\u0439\u0447\u0430\u0441 \u0431\u0443\u0434\u0435\u043c \u0441\u0447\u0438\u0442\u0430\u0442\u044c, \u0447\u0442\u043e\u00a0\u0432\u0441\u0435 \u0434\u0430\u043d\u043d\u044b\u0435 \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u044b.<\/p>\n<h4>\u0421\u043e\u0437\u0434\u0430\u0435\u043c \u043a\u043e\u0440\u043f\u0443\u0441 \u0438 \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u043c \u0442\u043e\u043a\u0435\u043d\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c<\/h4>\n<p><code>quanteda<\/code> \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u0435\u0442 \u043b\u0435\u0433\u043a\u043e \u0441\u043e\u0437\u0434\u0430\u0442\u044c \u043a\u043e\u0440\u043f\u0443\u0441\u00a0\u2014 \u0443\u0434\u043e\u0431\u043d\u0443\u044e \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0443 \u0434\u043b\u044f\u00a0\u0434\u0430\u043b\u044c\u043d\u0435\u0439\u0448\u0435\u0433\u043e \u0430\u043d\u0430\u043b\u0438\u0437\u0430:<\/p>\n<pre><code class=\"r\">corpus_data &lt;- corpus(text_data, text_field = \"text\") summary(corpus_data)<\/code><\/pre>\n<p>\u0421\u0435\u0439\u0447\u0430\u0441 \u0443\u00a0\u043d\u0430\u0441 \u043a\u043e\u0440\u043f\u0443\u0441 \u0442\u0435\u043a\u0441\u0442\u043e\u0432. \u0414\u0430\u043b\u044c\u0448\u0435\u00a0\u2014 \u0442\u043e\u043a\u0435\u043d\u0438\u0437\u0430\u0446\u0438\u044f. \u041f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u0438\u043c, \u0447\u0442\u043e\u00a0\u043d\u0443\u0436\u043d\u044b \u0442\u043e\u043b\u044c\u043a\u043e \u0441\u043b\u043e\u0432\u0430, \u0432\u0441\u0435 \u0437\u043d\u0430\u043a\u0438 \u043f\u0440\u0435\u043f\u0438\u043d\u0430\u043d\u0438\u044f\u00a0\u2014 \u043f\u0440\u043e\u0447\u044c, \u0446\u0438\u0444\u0440\u044b \u0432\u044b\u0447\u0435\u0440\u043a\u0438\u0432\u0430\u0435\u043c, \u043f\u0440\u0438\u0432\u0435\u0434\u0435\u043d\u0438\u0435 \u043a\u00a0\u043d\u0438\u0436\u043d\u0435\u043c\u0443 \u0440\u0435\u0433\u0438\u0441\u0442\u0440\u0443\u00a0\u2014 \u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u044c\u043d\u043e.<\/p>\n<pre><code class=\"r\">tokens_data &lt;- tokens(corpus_data,                       remove_punct = TRUE,                       remove_numbers = TRUE) tokens_data &lt;- tokens_tolower(tokens_data)<\/code><\/pre>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u0435\u0441\u0442\u044c \u0442\u043e\u043a\u0435\u043d\u044b\u00a0\u2014 \u0441\u0430\u043c\u0430\u044f \u0431\u0430\u0437\u043e\u0432\u0430\u044f \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u043d\u0430\u044f \u0435\u0434\u0438\u043d\u0438\u0446\u0430. \u0418\u0445 \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c:<\/p>\n<pre><code class=\"r\">head(tokens_data[[1]], 50)  # \u043f\u0435\u0440\u0432\u044b\u0435 50 \u0442\u043e\u043a\u0435\u043d\u043e\u0432 \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430<\/code><\/pre>\n<h4>\u0421\u0442\u043e\u043f-\u0441\u043b\u043e\u0432\u0430 \u0438 \u0441\u0442\u0435\u043c\u043c\u0438\u043d\u0433\/\u043b\u0435\u043c\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u044f<\/h4>\n<p>\u0420\u0443\u0441\u0441\u043a\u0438\u0439 \u044f\u0437\u044b\u043a \u0431\u043e\u0433\u0430\u0442, \u0438 \u0438\u043d\u043e\u0433\u0434\u0430 \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u0432\u044b\u043a\u0438\u043d\u0443\u0442\u044c \u0438\u0437\u00a0\u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u043e\u0431\u0449\u0435\u0443\u043f\u043e\u0442\u0440\u0435\u0431\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0435 \u0441\u043b\u043e\u0432\u0430. \u0412\u00a0quanteda \u0435\u0441\u0442\u044c \u0441\u043f\u0438\u0441\u043e\u043a \u0441\u0442\u043e\u043f\u2011\u0441\u043b\u043e\u0432 \u0434\u043b\u044f\u00a0\u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u044f\u0437\u044b\u043a\u043e\u0432, \u043d\u043e\u00a0\u0434\u043b\u044f\u00a0\u0440\u0443\u0441\u0441\u043a\u043e\u0433\u043e \u043e\u043d \u043c\u043e\u0436\u0435\u0442\u00a0\u0431\u044b\u0442\u044c \u043d\u0435\u043f\u043e\u043b\u043e\u043d. \u041f\u043e\u0434\u0433\u0440\u0443\u0437\u0438\u043c \u0441\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0439 \u0441\u043f\u0438\u0441\u043e\u043a \u0441\u0442\u043e\u043f\u2011\u0441\u043b\u043e\u0432. \u041f\u0440\u0435\u0434\u043f\u043e\u043b\u043e\u0436\u0438\u043c, \u0435\u0441\u0442\u044c \u0444\u0430\u0439\u043b <code>stopwords_ru.txt<\/code> \u0441\u043e \u0441\u0442\u043e\u043f\u2011\u0441\u043b\u043e\u0432\u0430\u043c\u0438 \u043f\u043e\u00a0\u043e\u0434\u043d\u043e\u043c\u0443 \u043d\u0430\u00a0\u0441\u0442\u0440\u043e\u043a\u0443:<\/p>\n<pre><code class=\"r\">my_stopwords &lt;- readLines(\"stopwords_ru.txt\", encoding = \"UTF-8\")<\/code><\/pre>\n<p>\u0418 \u0443\u0434\u0430\u043b\u0438\u043c \u044d\u0442\u0438 \u0441\u043b\u043e\u0432\u0430 \u0438\u0437\u00a0\u0442\u043e\u043a\u0435\u043d\u043e\u0432:<\/p>\n<pre><code class=\"r\">tokens_clean &lt;- tokens_select(tokens_data, pattern = my_stopwords, selection = \"remove\")<\/code><\/pre>\n<p>\u0414\u0430\u043b\u0435\u0435\u00a0\u2014 \u0441\u0442\u0435\u043c\u043c\u0438\u043d\u0433 \u0438\u043b\u0438\u00a0\u043b\u0435\u043c\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u044f. \u0421\u0442\u0435\u043c\u043c\u0438\u043d\u0433 \u043f\u0440\u0438\u0432\u043e\u0434\u0438\u0442 \u0441\u043b\u043e\u0432\u0430 \u043a\u00a0\u0438\u0445 \u00ab\u043e\u0431\u0440\u0443\u0431\u043b\u0435\u043d\u043d\u043e\u0439\u00bb \u0444\u043e\u0440\u043c\u0435 (\u043a\u043e\u0440\u043d\u044e), \u0430\u00a0\u043b\u0435\u043c\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u044f \u043f\u044b\u0442\u0430\u0435\u0442\u0441\u044f \u043d\u0430\u0439\u0442\u0438 \u00ab\u0441\u043b\u043e\u0432\u0430\u0440\u043d\u0443\u044e\u00bb \u0444\u043e\u0440\u043c\u0443 \u0441\u043b\u043e\u0432\u0430. \u0414\u043b\u044f\u00a0\u0440\u0443\u0441\u0441\u043a\u043e\u0433\u043e \u044f\u0437\u044b\u043a\u0430 \u043b\u0435\u043c\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u044f \u0431\u043e\u043b\u0435\u0435 \u043e\u0441\u043c\u044b\u0441\u043b\u0435\u043d\u043d\u0430, \u043d\u043e\u00a0\u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0445 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a. <code>textstem<\/code> \u0432\u00a0R \u043c\u043e\u0436\u0435\u0442 \u043d\u0435\u00a0\u0438\u0434\u0435\u0430\u043b\u044c\u043d\u043e \u0440\u0430\u0431\u043e\u0442\u0430\u0442\u044c \u0441\u00a0\u0440\u0443\u0441\u0441\u043a\u0438\u043c, \u043d\u043e\u00a0\u043c\u043e\u0436\u043d\u043e \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u0442\u044c:<\/p>\n<pre><code class=\"r\">lemma_fun &lt;- function(x) lemmatize_words(x, language = \"russian\") tokens_lemma &lt;- tokens_apply(tokens_clean, lemma_fun) <\/code><\/pre>\n<p>\u0415\u0441\u043b\u0438 \u043b\u0435\u043c\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u044f \u043d\u0435\u00a0\u0443\u0441\u0442\u0440\u0430\u0438\u0432\u0430\u0435\u0442, \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u0442\u044c \u0441\u0442\u0435\u043c\u043c\u0438\u043d\u0433 \u0447\u0435\u0440\u0435\u0437 SnowballC:<\/p>\n<pre><code class=\"r\">tokens_stemmed &lt;- tokens_wordstem(tokens_clean, language = \"russian\")<\/code><\/pre>\n<p>\u0412\u00a0\u0438\u0442\u043e\u0433\u0435, \u0435\u0441\u0442\u044c \u0431\u043e\u043b\u0435\u0435 \u043d\u043e\u0440\u043c\u0430\u043b\u0438\u0437\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u0442\u043e\u043a\u0435\u043d\u044b.<\/p>\n<h4>\u041f\u0435\u0440\u0435\u0445\u043e\u0434 \u043a \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u043c \u0445\u0430\u0440\u0430\u043a\u0442\u0435\u0440\u0438\u0441\u0442\u0438\u043a\u0430\u043c: Document-Term Matrix<\/h4>\n<p>\u0414\u043b\u044f\u00a0\u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u043d\u0443\u0436\u043d\u0430 \u043c\u0430\u0442\u0440\u0438\u0446\u0430 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u2011\u0442\u0435\u0440\u043c\u0438\u043d. \u0412\u00a0quanteda \u044d\u0442\u043e \u043f\u0440\u043e\u0449\u0435 \u043f\u0430\u0440\u0435\u043d\u043e\u0439 \u0440\u0435\u043f\u044b:<\/p>\n<pre><code class=\"r\">dtm &lt;- dfm(tokens_stemmed) dtm<\/code><\/pre>\n<p><code>dfm<\/code> (document\u2011feature matrix)\u00a0\u2014 \u0432\u043d\u0443\u0442\u0440\u0435\u043d\u043d\u0438\u0439 \u0442\u0438\u043f quanteda, \u043e\u0447\u0435\u043d\u044c \u0443\u0434\u043e\u0431\u0435\u043d. \u041c\u043e\u0436\u0435\u043c \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u0441\u0430\u043c\u044b\u0435 \u0447\u0430\u0441\u0442\u043e\u0442\u043d\u044b\u0435 \u0441\u043b\u043e\u0432\u0430:<\/p>\n<pre><code class=\"r\">topfeatures(dtm, 20)<\/code><\/pre>\n<p>\u0410\u00a0\u0435\u0441\u043b\u0438 \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0444\u043e\u0440\u043c\u0430\u0442 \u0438\u0437 <code>tm<\/code>, \u0442\u043e \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u0442\u044c:<\/p>\n<pre><code class=\"r\">dtm_tm &lt;- convert(dtm, to = \"tm\") dtm_tm<\/code><\/pre>\n<h4>\u041e\u0447\u0438\u0441\u0442\u043a\u0430 DTM: \u0447\u0430\u0441\u0442\u043e\u0442\u043d\u044b\u0439 \u0444\u0438\u043b\u044c\u0442\u0440, \u043e\u0442\u0441\u0435\u0438\u0432\u0430\u043d\u0438\u0435 \u0440\u0435\u0434\u043a\u0438\u0445 \u0441\u043b\u043e\u0432<\/h4>\n<p>\u0414\u0430\u043b\u0435\u043a\u043e \u043d\u0435\u00a0\u0432\u0441\u0435\u0433\u0434\u0430 \u043d\u0443\u0436\u043d\u044b \u0432\u0441\u0435 \u0441\u043b\u043e\u0432\u0430. \u041d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0442\u0435\u0440\u043c\u0438\u043d\u044b \u0432\u0441\u0442\u0440\u0435\u0447\u0430\u044e\u0442\u0441\u044f \u043e\u0434\u0438\u043d \u0440\u0430\u0437 \u043d\u0430\u00a0\u043c\u0438\u043b\u043b\u0438\u043e\u043d \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043e\u0432 \u0438\u00a0\u043b\u0438\u0448\u044c \u0437\u0430\u0441\u043e\u0440\u044f\u044e\u0442 \u043c\u043e\u0434\u0435\u043b\u044c. \u041e\u0442\u0441\u0435\u0438\u043c \u0440\u0435\u0434\u043a\u043e \u0432\u0441\u0442\u0440\u0435\u0447\u0430\u044e\u0449\u0438\u0435\u0441\u044f \u0441\u043b\u043e\u0432\u0430:<\/p>\n<pre><code class=\"r\">dtm_trimmed &lt;- dfm_trim(dtm, min_docfreq = 5, min_termfreq = 10)<\/code><\/pre>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u043c\u0435\u043d\u044c\u0448\u0435 \u0440\u0435\u0434\u043a\u043e\u0433\u043e \u0448\u0443\u043c\u0430. \u041c\u043e\u0436\u043d\u043e \u0442\u0430\u043a\u0436\u0435 \u043e\u0442\u0444\u0438\u043b\u044c\u0442\u0440\u043e\u0432\u0430\u0442\u044c \u0441\u043b\u0438\u0448\u043a\u043e\u043c \u0447\u0430\u0441\u0442\u044b\u0435 \u0441\u043b\u043e\u0432\u0430 (\u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0432\u0441\u0442\u0440\u0435\u0447\u0430\u044e\u0442\u0441\u044f \u0432 90% \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043e\u0432):<\/p>\n<pre><code class=\"r\">dtm_filtered &lt;- dfm_trim(dtm_trimmed, max_docfreq = 0.9, docfreq_type = \"prop\")<\/code><\/pre>\n<h4>\u0410\u043d\u0430\u043b\u0438\u0437: \u0447\u0430\u0441\u0442\u043e\u0442\u044b, \u0430\u0441\u0441\u043e\u0446\u0438\u0430\u0446\u0438\u0438, \u043a\u043e\u043b\u043b\u043e\u043a\u0430\u0446\u0438\u0438<\/h4>\n<p>\u041f\u043e\u0440\u043e\u0439 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u043d\u0430\u00a0\u043a\u043e\u043b\u043b\u043e\u043a\u0430\u0446\u0438\u0438\u00a0\u2014 \u0443\u0441\u0442\u043e\u0439\u0447\u0438\u0432\u044b\u0435 \u0441\u043b\u043e\u0432\u043e\u0441\u043e\u0447\u0435\u0442\u0430\u043d\u0438\u044f, \u0431\u0438\u0433\u0440\u0430\u043c\u043c\u044b, \u0442\u0440\u0438\u0433\u0440\u0430\u043c\u043c\u044b. \u0412\u00a0quanteda \u044d\u0442\u043e \u043e\u0447\u0435\u043d\u044c \u043f\u0440\u043e\u0441\u0442\u043e:<\/p>\n<pre><code class=\"r\">collocations &lt;- textstat_collocations(tokens_stemmed, size = 2:3, min_count = 5) head(collocations, 20)<\/code><\/pre>\n<p>\u042d\u0442\u043e \u0432\u044b\u0432\u0435\u0434\u0435\u0442 \u0442\u043e\u043f \u043a\u043e\u043b\u043b\u043e\u043a\u0430\u0446\u0438\u0439. \u0415\u0441\u043b\u0438 \u0445\u043e\u0442\u0438\u043c \u0438\u0445 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u043a\u0430\u043a\u00a0\u0435\u0434\u0438\u043d\u044b\u0435 \u0442\u043e\u043a\u0435\u043d\u044b (\u0442.\u00a0\u0435. \u00abmachine learning\u00bb \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u0435\u043c \u0432 \u00abmachine_learning\u00bb):<\/p>\n<pre><code class=\"r\">tokens_coll &lt;- tokens_compound(tokens_stemmed, collocations, join = TRUE)<\/code><\/pre>\n<h4>\u0412\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u0447\u0430\u0441\u0442\u043e\u0442<\/h4>\n<p>\u041c\u043e\u0436\u043d\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u043f\u0440\u043e\u0441\u0442\u043e\u0439 wordcloud, \u0447\u0442\u043e\u0431\u044b \u043e\u0446\u0435\u043d\u0438\u0442\u044c \u043f\u043e\u043f\u0443\u043b\u044f\u0440\u043d\u044b\u0435 \u0442\u0435\u0440\u043c\u0438\u043d\u044b:<\/p>\n<pre><code class=\"r\">set.seed(123) textplot_wordcloud(dtm_filtered, max_words = 100, color = RColorBrewer::brewer.pal(8, \"Dark2\"))<\/code><\/pre>\n<p>\u0414\u0430, wordcloud\u00a0\u2014 \u044d\u0442\u043e \u0443\u0436\u0435 \u043a\u043b\u0430\u0441\u0441\u0438\u043a\u0430, \u043d\u043e\u00a0\u0438\u043d\u043e\u0433\u0434\u0430 \u043e\u043d \u043f\u043e\u043c\u043e\u0433\u0430\u0435\u0442\u00a0\u0431\u044b\u0441\u0442\u0440\u043e \u0443\u0445\u0432\u0430\u0442\u0438\u0442\u044c \u0441\u0443\u0442\u044c.<\/p>\n<h4>TF-IDF \u0438 \u043f\u0440\u043e\u0447\u0438\u0435 \u043c\u0435\u0442\u0440\u0438\u043a\u0438<\/h4>\n<p>\u0427\u0430\u0441\u0442\u043e\u0442\u044b\u00a0\u2014 \u0445\u043e\u0440\u043e\u0448\u043e, \u043d\u043e\u00a0\u043c\u043e\u0436\u043d\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0445\u0438\u0442\u0440\u0435\u0435. \u0427\u0430\u0441\u0442\u043e\u0442\u043d\u044b\u0439 \u043f\u043e\u043a\u0430\u0437\u0430\u0442\u0435\u043b\u044c TF\u2011IDF \u043f\u043e\u043c\u043e\u0433\u0430\u0435\u0442 \u0432\u044b\u0434\u0435\u043b\u0438\u0442\u044c \u0432\u0430\u0436\u043d\u044b\u0435 \u0441\u043b\u043e\u0432\u0430 \u0434\u043b\u044f\u00a0\u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u043e\u0433\u043e \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430. \u0412\u00a0quanteda \u0434\u0435\u043b\u0430\u0435\u0442\u0441\u044f \u044d\u043b\u0435\u043c\u0435\u043d\u0442\u0430\u0440\u043d\u043e:<\/p>\n<pre><code class=\"r\">dtm_tfidf &lt;- dfm_tfidf(dtm_filtered, scheme_tf = \"count\", scheme_df = \"inverse\") topfeatures(dtm_tfidf, 20)<\/code><\/pre>\n<p>\u042d\u0442\u043e \u0434\u0430\u0441\u0442 \u0441\u043b\u043e\u0432\u0430 \u0441\u00a0\u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e\u0439 \u0443\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u044c\u044e.<\/p>\n<h4>\u0422\u043e\u043f\u0438\u043a-\u043c\u043e\u0434\u0435\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 (LDA)<\/h4>\n<p>\u0421\u0442\u043e\u0438\u0442 \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u0442\u044c \u0447\u0442\u043e\u2011\u0442\u043e \u043f\u043e\u0433\u043b\u0443\u0431\u0436\u0435. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, LDA\u00a0\u2014 \u043e\u0447\u0435\u043d\u044c \u0440\u0430\u0441\u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u043d\u044b\u0439 \u043c\u0435\u0442\u043e\u0434 \u0434\u043b\u044f\u00a0\u0432\u044b\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u0442\u0435\u043c \u0432\u00a0\u0442\u0435\u043a\u0441\u0442\u0430\u0445. \u0412\u00a0quanteda \u043c\u043e\u0436\u043d\u043e \u043b\u0435\u0433\u043a\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0432\u0441\u0442\u0440\u043e\u0435\u043d\u043d\u044b\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u0438\u043b\u0438\u00a0\u043e\u0431\u0440\u0430\u0442\u0438\u0442\u044c\u0441\u044f \u043a\u00a0\u043f\u0430\u043a\u0435\u0442\u0443 <code>topicmodels<\/code>. \u0414\u043e\u043f\u0443\u0441\u0442\u0438\u043c, \u0435\u0441\u0442\u044c dfm, \u0438 \u043d\u0443\u0436\u043d\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u043f\u0440\u043e\u0441\u0442\u0435\u043d\u044c\u043a\u0443\u044e LDA:<\/p>\n<pre><code class=\"r\">library(topicmodels)  # \u041f\u0443\u0441\u0442\u044c \u0443 \u043d\u0430\u0441 5 \u0442\u0435\u043c (k=5) lda_model &lt;- LDA(convert(dtm_filtered, to = \"topicmodels\"), k = 5, control = list(seed = 123)) lda_topics &lt;- topics(lda_model) lda_terms &lt;- terms(lda_model, 10)  lda_terms<\/code><\/pre>\n<p>\u042d\u0442\u043e \u0434\u0430\u0441\u0442 \u0442\u043e\u043f\u2011\u0442\u0435\u0440\u043c\u0438\u043d\u044b \u0434\u043b\u044f\u00a0\u043a\u0430\u0436\u0434\u043e\u0439 \u0438\u0437 5\u00a0\u0442\u0435\u043c. \u041a\u043e\u043d\u0435\u0447\u043d\u043e, \u043d\u0430\u0441\u0442\u0440\u043e\u0439\u043a\u0430 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u043e\u0432 LDA\u00a0\u2014 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e\u0435 \u0438\u0441\u043a\u0443\u0441\u0441\u0442\u0432\u043e. \u041d\u043e\u00a0\u0434\u043b\u044f\u00a0\u0441\u0442\u0430\u0440\u0442\u0430 \u043f\u043e\u0439\u0434\u0435\u0442.<\/p>\n<h4>\u0421\u0435\u043d\u0442\u0438\u043c\u0435\u043d\u0442-\u0430\u043d\u0430\u043b\u0438\u0437<\/h4>\n<p>\u0415\u0441\u043b\u0438 \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u043d\u0435\u043c\u043d\u043e\u0433\u043e \u043e\u0446\u0435\u043d\u0438\u0442\u044c \u0442\u043e\u043d\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u044c \u0442\u0435\u043a\u0441\u0442\u043e\u0432 (\u0445\u043e\u0442\u044f \u0441\u00a0\u0440\u0443\u0441\u0441\u043a\u0438\u043c \u044f\u0437\u044b\u043a\u043e\u043c \u043f\u043e\u0441\u043b\u043e\u0436\u043d\u0435\u0435, \u0447\u0435\u043c \u0441\u00a0\u0430\u043d\u0433\u043b\u0438\u0439\u0441\u043a\u0438\u043c), \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u0442\u044c \u043f\u043e\u0434\u043a\u043b\u044e\u0447\u0438\u0442\u044c \u0437\u0430\u0440\u0430\u043d\u0435\u0435 \u043f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u044b\u0435 \u0441\u043b\u043e\u0432\u0430\u0440\u0438 \u0442\u043e\u043d\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u0438. \u041f\u0440\u0435\u0434\u043f\u043e\u043b\u043e\u0436\u0438\u043c, \u0435\u0441\u0442\u044c \u0441\u043f\u0438\u0441\u043e\u043a \u043f\u043e\u0437\u0438\u0442\u0438\u0432\u043d\u044b\u0445 \u0438 \u043d\u0435\u0433\u0430\u0442\u0438\u0432\u043d\u044b\u0445 \u0441\u043b\u043e\u0432. \u041c\u043e\u0436\u043d\u043e \u043f\u043e\u0434\u0441\u0447\u0438\u0442\u0430\u0442\u044c, \u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043f\u043e\u0437\u0438\u0442\u0438\u0432\u043d\u044b\u0445\/\u043d\u0435\u0433\u0430\u0442\u0438\u0432\u043d\u044b\u0445 \u0432\u0441\u0442\u0440\u0435\u0447\u0430\u0435\u0442\u0441\u044f:<\/p>\n<pre><code class=\"r\">pos_words &lt;- c(\"\u043e\u0442\u043b\u0438\u0447\u043d\u044b\u0439\", \"\u0437\u0430\u043c\u0435\u0447\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u0439\", \"\u0445\u043e\u0440\u043e\u0448\u0438\u0439\", \"\u043f\u0440\u0435\u043a\u0440\u0430\u0441\u043d\u044b\u0439\") neg_words &lt;- c(\"\u0443\u0436\u0430\u0441\u043d\u044b\u0439\", \"\u043f\u043b\u043e\u0445\u043e\u0439\", \"\u043e\u0442\u0432\u0440\u0430\u0442\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0439\")  sentiment_scores &lt;- dfm_select(dtm_filtered, pattern = c(pos_words, neg_words))<\/code><\/pre>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u0434\u0441\u0447\u0438\u0442\u0430\u0442\u044c \u0441\u0443\u043c\u043c\u0430\u0440\u043d\u0443\u044e \u00ab\u0442\u043e\u043d\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u044c\u00bb \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430:<\/p>\n<pre><code class=\"r\">sentiment_df &lt;- convert(sentiment_scores, to = \"data.frame\") sentiment_df$sentiment_score &lt;- rowSums(sentiment_df[, pos_words]) - rowSums(sentiment_df[, neg_words]) head(sentiment_df)<\/code><\/pre>\n<p>\u042d\u0442\u043e \u043f\u0440\u0438\u043c\u0438\u0442\u0438\u0432\u043d\u044b\u0439 \u043f\u043e\u0434\u0445\u043e\u0434, \u043d\u043e\u00a0\u0434\u043b\u044f\u00a0\u0434\u0435\u043c\u043e\u043d\u0441\u0442\u0440\u0430\u0446\u0438\u0438 \u0441\u043e\u0439\u0434\u0435\u0442.<\/p>\n<h4>\u041f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c<\/h4>\n<p>\u041f\u0440\u0438\u00a0\u0440\u0430\u0431\u043e\u0442\u0435 \u0441\u00a0\u0431\u043e\u043b\u044c\u0448\u0438\u043c\u0438 \u043a\u043e\u0440\u043f\u0443\u0441\u0430\u043c\u0438 \u043c\u043e\u0436\u0435\u0442 \u043e\u043a\u0430\u0437\u0430\u0442\u044c\u0441\u044f, \u0447\u0442\u043e\u00a0R \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u0442 \u0442\u043e\u0440\u043c\u043e\u0437\u0438\u0442\u044c. Quanteda \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u043d \u043f\u043e\u0434\u00a0C++ \u0438 \u043c\u043e\u0436\u0435\u0442 \u0440\u0430\u0431\u043e\u0442\u0430\u0442\u044c \u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u0448\u0443\u0441\u0442\u0440\u043e. \u041d\u043e\u00a0\u0432\u0441\u0435 \u0440\u0430\u0432\u043d\u043e, \u0435\u0441\u043b\u0438 \u0435\u0441\u0442\u044c \u0434\u0435\u0441\u044f\u0442\u043a\u0438 \u043c\u0438\u043b\u043b\u0438\u043e\u043d\u043e\u0432 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043e\u0432, \u0441\u0442\u043e\u0438\u0442 \u043f\u043e\u0434\u0443\u043c\u0430\u0442\u044c \u043e\u00a0\u043f\u0430\u0440\u0430\u043b\u043b\u0435\u043b\u0438\u0437\u0430\u0446\u0438\u0438 \u0438\u043b\u0438\u00a0\u0431\u043b\u043e\u0447\u043d\u043e\u043c \u0430\u043d\u0430\u043b\u0438\u0437\u0435. \u041c\u043d\u043e\u0433\u0438\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 quanteda \u043c\u043e\u0436\u043d\u043e \u0440\u0430\u0441\u043f\u0430\u0440\u0430\u043b\u043b\u0435\u043b\u0438\u0442\u044c \u0441\u00a0\u043f\u043e\u043c\u043e\u0449\u044c\u044e <code>quanteda.textmodels<\/code> \u0438\u043b\u0438\u00a0\u0434\u0440\u0443\u0433\u0438\u0445 \u043f\u0430\u043a\u0435\u0442\u043e\u0432.<\/p>\n<p>\u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u043f\u0440\u0438\u00a0\u0442\u043e\u043a\u0435\u043d\u0438\u0437\u0430\u0446\u0438\u0438 \u043c\u043e\u0436\u043d\u043e \u0443\u043a\u0430\u0437\u0430\u0442\u044c <code>what = \"word\"<\/code> \u0438\u043b\u0438 <code>verbose = TRUE<\/code> \u0434\u043b\u044f\u00a0\u043f\u0440\u043e\u0444\u0438\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f, \u043c\u043e\u0436\u043d\u043e \u0440\u0430\u0437\u0431\u0438\u0442\u044c \u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u043a\u043e\u0440\u043f\u0443\u0441 \u043d\u0430\u00a0\u0431\u0430\u0442\u0447\u0438 \u0438 \u0438\u0445 \u043e\u0431\u0440\u0430\u0431\u0430\u0442\u044b\u0432\u0430\u0442\u044c. \u0412\u00a0\u043f\u0440\u043e\u0434\u0430\u043a\u0448\u0435\u043d\u0435 \u0447\u0430\u0441\u0442\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442 \u043a\u043e\u043c\u0431\u0438\u043d\u0430\u0446\u0438\u044e R + Spark (\u0447\u0435\u0440\u0435\u0437 <code>sparklyr<\/code>) \u0438\u043b\u0438\u00a0Python \u0434\u043b\u044f\u00a0\u0440\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u043d\u044b\u0445 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439. \u041d\u043e\u00a0quanteda \u0445\u043e\u0440\u043e\u0448 \u0434\u043b\u044f\u00a0\u0438\u043d\u0442\u0435\u0440\u0430\u043a\u0442\u0438\u0432\u043d\u043e\u0433\u043e \u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u0438\u043b\u0438\u00a0\u0441\u0440\u0435\u0434\u043d\u0438\u0445 \u043f\u043e\u00a0\u0440\u0430\u0437\u043c\u0435\u0440\u0443 \u043d\u0430\u0431\u043e\u0440\u043e\u0432.<\/p>\n<hr\/>\n<h3>\u0417\u0430\u043a\u043b\u044e\u0447\u0435\u043d\u0438\u0435<\/h3>\n<p>\u0418\u0442\u0430\u043a, <code>tm<\/code>\u00a0\u2014 \u0431\u043e\u043b\u0435\u0435 \u0441\u0442\u0430\u0440\u044b\u0439 \u043f\u0430\u043a\u0435\u0442, \u043f\u0440\u0435\u0434\u043b\u0430\u0433\u0430\u0435\u0442 <code>Corpus<\/code>, <code>DocumentTermMatrix<\/code>, <code>TermDocumentMatrix<\/code> \u043e\u0431\u044a\u0435\u043a\u0442\u044b. <code>quanteda<\/code>\u00a0\u2014\u00a0\u0431\u044b\u0441\u0442\u0440\u0435\u0435, \u0433\u0438\u0431\u0447\u0435, \u0443\u0434\u043e\u0431\u043d\u0435\u0435. \u041f\u0440\u0435\u0434\u043b\u0430\u0433\u0430\u0435\u0442 <code>corpus<\/code>, <code>tokens<\/code>, <code>dfm<\/code> \u043e\u0431\u044a\u0435\u043a\u0442\u044b. <code>quanteda<\/code> \u0438\u043c\u0435\u0435\u0442 \u0431\u043e\u043b\u0435\u0435 \u0441\u043e\u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0439 API \u0438 \u0447\u0430\u0441\u0442\u043e \u043e\u0431\u043d\u043e\u0432\u043b\u044f\u0435\u0442\u0441\u044f.<\/p>\n<p>\u0415\u0441\u043b\u0438 \u0432\u044b \u0442\u043e\u043b\u044c\u043a\u043e \u0441\u0442\u0430\u0440\u0442\u0443\u0435\u0442\u0435 \u0432\u00a0\u0442\u0435\u043a\u0441\u0442\u043e\u0432\u043e\u043c \u0430\u043d\u0430\u043b\u0438\u0437\u0435 \u043d\u0430\u00a0R, \u044f \u0440\u0435\u043a\u043e\u043c\u0435\u043d\u0434\u0443\u044e \u043f\u0435\u0440\u0435\u0439\u0442\u0438 \u0441\u0440\u0430\u0437\u0443 \u043a\u00a0quanteda\u00a0\u2014 \u043e\u043d \u0432\u00a0\u0431\u043e\u043b\u044c\u0448\u0438\u043d\u0441\u0442\u0432\u0435 \u0441\u043b\u0443\u0447\u0430\u0435\u0432 \u043f\u043e\u043a\u0440\u044b\u0432\u0430\u0435\u0442 \u0444\u0443\u043d\u043a\u0446\u0438\u043e\u043d\u0430\u043b tm.<\/p>\n<p>\u041d\u0435\u00a0\u0441\u0442\u0435\u0441\u043d\u044f\u0439\u0442\u0435\u0441\u044c \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c: \u043c\u0435\u043d\u044f\u0439\u0442\u0435 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u044b \u0442\u043e\u043a\u0435\u043d\u0438\u0437\u0430\u0446\u0438\u0438, \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0439\u0442\u0435 \u0441\u0432\u043e\u0438 \u0441\u0442\u043e\u043f\u2011\u0441\u043b\u043e\u0432\u0430, \u043f\u044b\u0442\u0430\u0439\u0442\u0435\u0441\u044c \u043d\u0430\u0439\u0442\u0438 \u0441\u043a\u0440\u044b\u0442\u044b\u0435 \u0442\u0435\u043c\u044b \u0432\u00a0\u0441\u0432\u043e\u0438\u0445 \u0434\u0430\u043d\u043d\u044b\u0445. \u0421\u043c\u043e\u0442\u0440\u0438\u0442\u0435, \u043a\u0430\u043a\u00a0\u043c\u0435\u043d\u044f\u0435\u0442\u0441\u044f \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043f\u0440\u0438\u00a0\u0440\u0430\u0437\u043d\u044b\u0445 \u043c\u0435\u0442\u0440\u0438\u043a\u0430\u0445.<\/p>\n<blockquote>\n<p>\u0411\u043e\u043b\u044c\u0448\u0435 \u0430\u043a\u0442\u0443\u0430\u043b\u044c\u043d\u044b\u0445 \u043d\u0430\u0432\u044b\u043a\u043e\u0432 \u043f\u043e \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u043a\u0435 \u0432\u044b \u043c\u043e\u0436\u0435\u0442\u0435 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0432 \u0440\u0430\u043c\u043a\u0430\u0445 <a href=\"https:\/\/otus.pw\/Bpj8i\/\">\u043f\u0440\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043e\u043d\u043b\u0430\u0439\u043d-\u043a\u0443\u0440\u0441\u043e\u0432<\/a> \u043e\u0442 \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438.<\/p>\n<p>\u0422\u0430\u043a\u0436\u0435 \u043f\u0440\u0438\u0445\u043e\u0434\u0438\u0442\u0435 \u043d\u0430 \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u0435 \u0443\u0440\u043e\u043a\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0441\u043e\u0432\u0441\u0435\u043c \u0441\u043a\u043e\u0440\u043e \u043f\u0440\u043e\u0439\u0434\u0443\u0442 \u0432 \u0440\u0430\u043c\u043a\u0430\u0445 \u043d\u0430\u0431\u043e\u0440\u0430 \u0443\u0447\u0430\u0449\u0438\u0445\u0441\u044f:<\/p>\n<ul>\n<li>\n<p>27 \u0434\u0435\u043a\u0430\u0431\u0440\u044f \u2014 \u00ab\u0412\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u0434\u0430\u043d\u043d\u044b\u0445. \u041e\u0441\u043d\u043e\u0432\u043d\u044b\u0435 &#171;\u0444\u0438\u043d\u0430\u043d\u0441\u043e\u0432\u044b\u0435&#187; \u0433\u0440\u0430\u0444\u0438\u043a\u0438, \u0440\u0430\u0431\u043e\u0442\u0430 \u0441 mplfinance\u00bb. <a href=\"https:\/\/otus.pw\/UPcc\/\">\u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435<\/a><\/p>\n<\/li>\n<li>\n<p>13 \u044f\u043d\u0432\u0430\u0440\u044f \u2014 \u00ab\u0412\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u0434\u0430\u043d\u043d\u044b\u0445 \u043d\u0430 Python\u00bb. <a href=\"https:\/\/otus.pw\/M8au\/\">\u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435<\/a><\/p>\n<\/li>\n<\/ul>\n<\/blockquote>\n<\/div>\n<\/div>\n<\/div>\n<p><!----><!----><\/div>\n<p><!----><!----><br \/> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/articles\/865496\/\"> https:\/\/habr.com\/ru\/articles\/865496\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<div><!--[--><!--]--><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p><strong><em>\u041f\u0440\u0438\u0432\u0435\u0442, \u0425\u0430\u0431\u0440!<\/em><\/strong><\/p>\n<p>\u0412 \u044d\u0442\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0435 \u044f \u0440\u0430\u0441\u0441\u043a\u0430\u0436\u0443 \u0432\u0430\u043c \u043e\u00a0\u0442\u043e\u043c, \u043a\u0430\u043a\u00a0\u043c\u043e\u0436\u043d\u043e \u0430\u043d\u0430\u043b\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0442\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435 \u0432\u00a0R, \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044f \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438 <strong>quanteda<\/strong> \u0438 <strong>tm<\/strong>. <\/p>\n<h4>\u0417\u0430\u0447\u0435\u043c \u0432\u043e\u043e\u0431\u0449\u0435 quanteda \u0438 tm, \u0438 \u043f\u043e\u0447\u0435\u043c\u0443 \u043d\u0435 Python?<\/h4>\n<p>\u0421\u043f\u0440\u0430\u0432\u0435\u0434\u043b\u0438\u0432\u044b\u0439 \u0432\u043e\u043f\u0440\u043e\u0441: \u0432\u0441\u0435 \u0432\u043e\u043a\u0440\u0443\u0433 \u043b\u044e\u0431\u044f\u0442 <code>spaCy<\/code>, <code>nltk<\/code>, <code>gensim<\/code> \u0432\u00a0Python, \u0430\u00a0\u0442\u0443\u0442 \u043c\u044b \u043f\u0440\u043e\u00a0R. R \u043e\u0442\u043b\u0438\u0447\u043d\u043e \u043f\u043e\u0434\u0445\u043e\u0434\u0438\u0442 \u0434\u043b\u044f\u00a0\u0431\u044b\u0441\u0442\u0440\u044b\u0445 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439, \u0438\u043c\u0435\u0435\u0442 \u0443\u0434\u043e\u0431\u043d\u044b\u0439 \u0441\u0438\u043d\u0442\u0430\u043a\u0441\u0438\u0441 \u0434\u043b\u044f\u00a0\u043c\u0430\u043d\u0438\u043f\u0443\u043b\u044f\u0446\u0438\u0439 \u0441\u00a0\u0434\u0430\u043d\u043d\u044b\u043c\u0438, \u0430\u00a0\u0441\u0430\u043c\u043e\u0435 \u0433\u043b\u0430\u0432\u043d\u043e\u0435\u00a0\u2014 \u043f\u0430\u043a\u0435\u0442\u044b <code>quanteda<\/code> \u0438 <code>tm<\/code> \u0434\u0430\u044e\u0442 \u043e\u0431\u0448\u0438\u0440\u043d\u044b\u0439 \u0444\u0443\u043d\u043a\u0446\u0438\u043e\u043d\u0430\u043b \u0434\u043b\u044f\u00a0\u043b\u0438\u043d\u0433\u0432\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0430\u043d\u0430\u043b\u0438\u0437\u0430. \u0415\u0441\u043b\u0438 \u0432\u044b \u0443\u0436\u0435 \u0437\u043d\u0430\u043a\u043e\u043c\u044b \u0441 <a href=\"https:\/\/www.tidyverse.org\/\">tidyverse<\/a>, \u0442\u043e\u0433\u0434\u0430 \u0440\u0430\u0431\u043e\u0442\u0430 \u0441\u00a0\u0442\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u043f\u043e\u043a\u0430\u0436\u0435\u0442\u0441\u044f \u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u00ab\u043d\u0430\u0442\u0438\u0432\u043d\u043e\u0439\u00bb. \u041a\u0440\u043e\u043c\u0435 \u0442\u043e\u0433\u043e, quanteda\u00a0\u2014 \u044d\u0442\u043e \u0443\u043d\u0438\u0432\u0435\u0440\u0441\u0430\u043b \u0434\u043b\u044f\u00a0\u0442\u0435\u043a\u0441\u0442\u043e\u0432: \u0442\u043e\u043a\u0435\u043d\u0438\u0437\u0430\u0446\u0438\u044f, \u0441\u0442\u043e\u043f\u2011\u0441\u043b\u043e\u0432\u0430, stemming, \u043b\u0435\u043c\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u044f (\u0447\u0435\u0440\u0435\u0437 \u0434\u043e\u043f. \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u044b), \u0430\u043d\u0430\u043b\u0438\u0437 \u0447\u0430\u0441\u0442\u043e\u0442, \u0431\u0438\u0433\u0440\u0430\u043c\u043c, \u0442\u0440\u0438\u0433\u0440\u0430\u043c\u043c, \u043f\u043e\u0441\u0442\u0440\u043e\u0435\u043d\u0438\u0435 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043d\u043e\u2011\u0442\u0435\u0440\u043c\u0438\u043d\u043d\u044b\u0445 \u043c\u0430\u0442\u0440\u0438\u0446, \u0440\u0430\u0441\u0447\u0435\u0442\u044b \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043c\u0435\u0442\u0440\u0438\u043a, \u0438 \u043c\u043d\u043e\u0433\u043e\u0435 \u0434\u0440\u0443\u0433\u043e\u0435.<\/p>\n<p>\u0410\u00a0\u0432\u043e\u0442 <code>tm<\/code> \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u043a\u0430\u043a\u00a0\u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442 \u0434\u043b\u044f\u00a0\u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0442\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u0445 \u043a\u043e\u0440\u043f\u0443\u0441\u043e\u0432, \u043f\u043e\u0441\u0442\u0440\u043e\u0435\u043d\u0438\u044f DTM, \u043e\u0447\u0438\u0441\u0442\u043a\u0438 \u0438 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044f. <\/p>\n<h4>\u041d\u0430\u0447\u043d\u0435\u043c: \u0443\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0430 \u0438 \u0437\u0430\u0433\u0440\u0443\u0437\u043a\u0430 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a<\/h4>\n<p>\u0414\u043b\u044f\u00a0\u043d\u0430\u0447\u0430\u043b\u0430 \u0443\u0441\u0442\u0430\u043d\u0430\u0432\u043b\u0438\u0432\u0430\u0435\u043c \u043f\u0430\u043a\u0435\u0442\u044b:<\/p>\n<pre><code class=\"r\">install.packages(\"quanteda\") install.packages(\"tm\") install.packages(\"SnowballC\")      # \u0414\u043b\u044f \u0441\u0442\u0435\u043c\u043c\u0438\u043d\u0433\u0430 install.packages(\"wordcloud\")      # \u041f\u043e\u0447\u0435\u043c\u0443 \u0431\u044b \u0438 \u043d\u0435\u0442, \u0434\u043b\u044f \u043d\u0430\u0433\u043b\u044f\u0434\u043d\u043e\u0441\u0442\u0438 install.packages(\"textstem\")       # \u0414\u043b\u044f \u043b\u0435\u043c\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u0438 install.packages(\"readtext\")       # \u0423\u0434\u043e\u0431\u043d\u044b\u0439 \u0438\u043c\u043f\u043e\u0440\u0442 \u0442\u0435\u043a\u0441\u0442\u043e\u0432 install.packages(\"dplyr\")          # \u041d\u0443 \u043a\u0443\u0434\u0430 \u0431\u0435\u0437 \u043d\u0435\u0433\u043e<\/code><\/pre>\n<p>\u041f\u043e\u0434\u0442\u044f\u0433\u0438\u0432\u0430\u0435\u043c \u0438\u0445 \u0432\u00a0\u0441\u0435\u0441\u0441\u0438\u044e:<\/p>\n<pre><code class=\"r\">library(quanteda) library(tm) library(SnowballC) library(wordcloud) library(textstem) library(readtext) library(dplyr)<\/code><\/pre>\n<h4>\u0417\u0430\u0433\u0440\u0443\u0437\u043a\u0430 \u0434\u0430\u043d\u043d\u044b\u0445<\/h4>\n<p>\u041f\u0440\u0435\u0434\u043f\u043e\u043b\u043e\u0436\u0438\u043c, \u0435\u0441\u0442\u044c \u043f\u0430\u043f\u043a\u0430 \u0441\u00a0\u0442\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u043c\u0438 \u0444\u0430\u0439\u043b\u0430\u043c\u0438 \u043d\u043e\u0432\u043e\u0441\u0442\u043d\u044b\u0445 \u0441\u0442\u0430\u0442\u0435\u0439 \u043d\u0430\u00a0\u0440\u0443\u0441\u0441\u043a\u043e\u043c \u044f\u0437\u044b\u043a\u0435. \u0414\u043b\u044f\u00a0\u043f\u043e\u043b\u043d\u043e\u0442\u044b \u043a\u0430\u0440\u0442\u0438\u043d\u044b \u043d\u0430\u0437\u043e\u0432\u0435\u043c \u0435\u0435 <code>.\/data\/articles\/<\/code>. \u041a\u0430\u0436\u0434\u044b\u0439 \u0444\u0430\u0439\u043b\u00a0\u2014 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u0430\u044f \u0441\u0442\u0430\u0442\u044c\u044f \u0432\u00a0\u0444\u043e\u0440\u043c\u0430\u0442\u0435 <code>.txt<\/code>. \u041c\u043e\u0436\u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c <code>readtext<\/code> \u0434\u043b\u044f\u00a0\u0443\u0434\u043e\u0431\u043d\u043e\u0433\u043e \u0447\u0442\u0435\u043d\u0438\u044f \u0441\u0440\u0430\u0437\u0443 \u043f\u0430\u0447\u043a\u0438 \u0444\u0430\u0439\u043b\u043e\u0432:<\/p>\n<pre><code class=\"r\"># \u0414\u043e\u043f\u0443\u0441\u0442\u0438\u043c, \u043d\u0430\u0448\u0438 \u0444\u0430\u0439\u043b\u044b \u0432 .\/data\/articles\/*.txt text_data &lt;- readtext(\".\/data\/articles\/*.txt\", encoding = \"UTF-8\") head(text_data)<\/code><\/pre>\n<p>\u042d\u0442\u043e \u0441\u043e\u0437\u0434\u0430\u0441\u0442 \u0444\u0440\u0435\u0439\u043c \u0434\u0430\u043d\u043d\u044b\u0445, \u0433\u0434\u0435 \u0431\u0443\u0434\u0435\u0442 \u043a\u043e\u043b\u043e\u043d\u043a\u0430 <code>text<\/code>. \u0415\u0441\u043b\u0438 \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e \u0431\u0435\u0437\u043e\u043f\u0430\u0441\u043d\u044b\u0439 \u043a\u043e\u0434, \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0435\u043c \u043d\u0430\u043b\u0438\u0447\u0438\u0435 \u0444\u0430\u0439\u043b\u043e\u0432, \u043a\u043e\u0434\u0438\u0440\u043e\u0432\u043a\u0438 \u0438\u00a0\u0442.\u00a0\u043f. \u041d\u043e\u00a0\u0441\u0435\u0439\u0447\u0430\u0441 \u0431\u0443\u0434\u0435\u043c \u0441\u0447\u0438\u0442\u0430\u0442\u044c, \u0447\u0442\u043e\u00a0\u0432\u0441\u0435 \u0434\u0430\u043d\u043d\u044b\u0435 \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u044b.<\/p>\n<h4>\u0421\u043e\u0437\u0434\u0430\u0435\u043c \u043a\u043e\u0440\u043f\u0443\u0441 \u0438 \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u043c \u0442\u043e\u043a\u0435\u043d\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c<\/h4>\n<p><code>quanteda<\/code> \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u0435\u0442 \u043b\u0435\u0433\u043a\u043e \u0441\u043e\u0437\u0434\u0430\u0442\u044c \u043a\u043e\u0440\u043f\u0443\u0441\u00a0\u2014 \u0443\u0434\u043e\u0431\u043d\u0443\u044e \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0443 \u0434\u043b\u044f\u00a0\u0434\u0430\u043b\u044c\u043d\u0435\u0439\u0448\u0435\u0433\u043e \u0430\u043d\u0430\u043b\u0438\u0437\u0430:<\/p>\n<pre><code class=\"r\">corpus_data &lt;- corpus(text_data, text_field = \"text\") summary(corpus_data)<\/code><\/pre>\n<p>\u0421\u0435\u0439\u0447\u0430\u0441 \u0443\u00a0\u043d\u0430\u0441 \u043a\u043e\u0440\u043f\u0443\u0441 \u0442\u0435\u043a\u0441\u0442\u043e\u0432. \u0414\u0430\u043b\u044c\u0448\u0435\u00a0\u2014 \u0442\u043e\u043a\u0435\u043d\u0438\u0437\u0430\u0446\u0438\u044f. \u041f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u0438\u043c, \u0447\u0442\u043e\u00a0\u043d\u0443\u0436\u043d\u044b \u0442\u043e\u043b\u044c\u043a\u043e \u0441\u043b\u043e\u0432\u0430, \u0432\u0441\u0435 \u0437\u043d\u0430\u043a\u0438 \u043f\u0440\u0435\u043f\u0438\u043d\u0430\u043d\u0438\u044f\u00a0\u2014 \u043f\u0440\u043e\u0447\u044c, \u0446\u0438\u0444\u0440\u044b \u0432\u044b\u0447\u0435\u0440\u043a\u0438\u0432\u0430\u0435\u043c, \u043f\u0440\u0438\u0432\u0435\u0434\u0435\u043d\u0438\u0435 \u043a\u00a0\u043d\u0438\u0436\u043d\u0435\u043c\u0443 \u0440\u0435\u0433\u0438\u0441\u0442\u0440\u0443\u00a0\u2014 \u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u044c\u043d\u043e.<\/p>\n<pre><code class=\"r\">tokens_data &lt;- tokens(corpus_data,                       remove_punct = TRUE,                       remove_numbers = TRUE) tokens_data &lt;- tokens_tolower(tokens_data)<\/code><\/pre>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u0435\u0441\u0442\u044c \u0442\u043e\u043a\u0435\u043d\u044b\u00a0\u2014 \u0441\u0430\u043c\u0430\u044f \u0431\u0430\u0437\u043e\u0432\u0430\u044f \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u043d\u0430\u044f \u0435\u0434\u0438\u043d\u0438\u0446\u0430. \u0418\u0445 \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c:<\/p>\n<pre><code class=\"r\">head(tokens_data[[1]], 50)  # \u043f\u0435\u0440\u0432\u044b\u0435 50 \u0442\u043e\u043a\u0435\u043d\u043e\u0432 \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430<\/code><\/pre>\n<h4>\u0421\u0442\u043e\u043f-\u0441\u043b\u043e\u0432\u0430 \u0438 \u0441\u0442\u0435\u043c\u043c\u0438\u043d\u0433\/\u043b\u0435\u043c\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u044f<\/h4>\n<p>\u0420\u0443\u0441\u0441\u043a\u0438\u0439 \u044f\u0437\u044b\u043a \u0431\u043e\u0433\u0430\u0442, \u0438 \u0438\u043d\u043e\u0433\u0434\u0430 \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u0432\u044b\u043a\u0438\u043d\u0443\u0442\u044c \u0438\u0437\u00a0\u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u043e\u0431\u0449\u0435\u0443\u043f\u043e\u0442\u0440\u0435\u0431\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0435 \u0441\u043b\u043e\u0432\u0430. \u0412\u00a0quanteda \u0435\u0441\u0442\u044c \u0441\u043f\u0438\u0441\u043e\u043a \u0441\u0442\u043e\u043f\u2011\u0441\u043b\u043e\u0432 \u0434\u043b\u044f\u00a0\u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u044f\u0437\u044b\u043a\u043e\u0432, \u043d\u043e\u00a0\u0434\u043b\u044f\u00a0\u0440\u0443\u0441\u0441\u043a\u043e\u0433\u043e \u043e\u043d \u043c\u043e\u0436\u0435\u0442\u00a0\u0431\u044b\u0442\u044c \u043d\u0435\u043f\u043e\u043b\u043e\u043d. \u041f\u043e\u0434\u0433\u0440\u0443\u0437\u0438\u043c \u0441\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0439 \u0441\u043f\u0438\u0441\u043e\u043a \u0441\u0442\u043e\u043f\u2011\u0441\u043b\u043e\u0432. \u041f\u0440\u0435\u0434\u043f\u043e\u043b\u043e\u0436\u0438\u043c, \u0435\u0441\u0442\u044c \u0444\u0430\u0439\u043b <code>stopwords_ru.txt<\/code> \u0441\u043e \u0441\u0442\u043e\u043f\u2011\u0441\u043b\u043e\u0432\u0430\u043c\u0438 \u043f\u043e\u00a0\u043e\u0434\u043d\u043e\u043c\u0443 \u043d\u0430\u00a0\u0441\u0442\u0440\u043e\u043a\u0443:<\/p>\n<pre><code class=\"r\">my_stopwords &lt;- readLines(\"stopwords_ru.txt\", encoding = \"UTF-8\")<\/code><\/pre>\n<p>\u0418 \u0443\u0434\u0430\u043b\u0438\u043c \u044d\u0442\u0438 \u0441\u043b\u043e\u0432\u0430 \u0438\u0437\u00a0\u0442\u043e\u043a\u0435\u043d\u043e\u0432:<\/p>\n<pre><code class=\"r\">tokens_clean &lt;- tokens_select(tokens_data, pattern = my_stopwords, selection = \"remove\")<\/code><\/pre>\n<p>\u0414\u0430\u043b\u0435\u0435\u00a0\u2014 \u0441\u0442\u0435\u043c\u043c\u0438\u043d\u0433 \u0438\u043b\u0438\u00a0\u043b\u0435\u043c\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u044f. \u0421\u0442\u0435\u043c\u043c\u0438\u043d\u0433 \u043f\u0440\u0438\u0432\u043e\u0434\u0438\u0442 \u0441\u043b\u043e\u0432\u0430 \u043a\u00a0\u0438\u0445 \u00ab\u043e\u0431\u0440\u0443\u0431\u043b\u0435\u043d\u043d\u043e\u0439\u00bb \u0444\u043e\u0440\u043c\u0435 (\u043a\u043e\u0440\u043d\u044e), \u0430\u00a0\u043b\u0435\u043c\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u044f \u043f\u044b\u0442\u0430\u0435\u0442\u0441\u044f \u043d\u0430\u0439\u0442\u0438 \u00ab\u0441\u043b\u043e\u0432\u0430\u0440\u043d\u0443\u044e\u00bb \u0444\u043e\u0440\u043c\u0443 \u0441\u043b\u043e\u0432\u0430. \u0414\u043b\u044f\u00a0\u0440\u0443\u0441\u0441\u043a\u043e\u0433\u043e \u044f\u0437\u044b\u043a\u0430 \u043b\u0435\u043c\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u044f \u0431\u043e\u043b\u0435\u0435 \u043e\u0441\u043c\u044b\u0441\u043b\u0435\u043d\u043d\u0430, \u043d\u043e\u00a0\u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0445 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a. <code>textstem<\/code> \u0432\u00a0R \u043c\u043e\u0436\u0435\u0442 \u043d\u0435\u00a0\u0438\u0434\u0435\u0430\u043b\u044c\u043d\u043e \u0440\u0430\u0431\u043e\u0442\u0430\u0442\u044c \u0441\u00a0\u0440\u0443\u0441\u0441\u043a\u0438\u043c, \u043d\u043e\u00a0\u043c\u043e\u0436\u043d\u043e \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u0442\u044c:<\/p>\n<pre><code class=\"r\">lemma_fun &lt;- function(x) lemmatize_words(x, language = \"russian\") tokens_lemma &lt;- tokens_apply(tokens_clean, lemma_fun) <\/code><\/pre>\n<p>\u0415\u0441\u043b\u0438 \u043b\u0435\u043c\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u044f \u043d\u0435\u00a0\u0443\u0441\u0442\u0440\u0430\u0438\u0432\u0430\u0435\u0442, \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u0442\u044c \u0441\u0442\u0435\u043c\u043c\u0438\u043d\u0433 \u0447\u0435\u0440\u0435\u0437 SnowballC:<\/p>\n<pre><code class=\"r\">tokens_stemmed &lt;- tokens_wordstem(tokens_clean, language = \"russian\")<\/code><\/pre>\n<p>\u0412\u00a0\u0438\u0442\u043e\u0433\u0435, \u0435\u0441\u0442\u044c \u0431\u043e\u043b\u0435\u0435 \u043d\u043e\u0440\u043c\u0430\u043b\u0438\u0437\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u0442\u043e\u043a\u0435\u043d\u044b.<\/p>\n<h4>\u041f\u0435\u0440\u0435\u0445\u043e\u0434 \u043a \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u043c \u0445\u0430\u0440\u0430\u043a\u0442\u0435\u0440\u0438\u0441\u0442\u0438\u043a\u0430\u043c: Document-Term Matrix<\/h4>\n<p>\u0414\u043b\u044f\u00a0\u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u043d\u0443\u0436\u043d\u0430 \u043c\u0430\u0442\u0440\u0438\u0446\u0430 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u2011\u0442\u0435\u0440\u043c\u0438\u043d. \u0412\u00a0quanteda \u044d\u0442\u043e \u043f\u0440\u043e\u0449\u0435 \u043f\u0430\u0440\u0435\u043d\u043e\u0439 \u0440\u0435\u043f\u044b:<\/p>\n<pre><code class=\"r\">dtm &lt;- dfm(tokens_stemmed) dtm<\/code><\/pre>\n<p><code>dfm<\/code> (document\u2011feature matrix)\u00a0\u2014 \u0432\u043d\u0443\u0442\u0440\u0435\u043d\u043d\u0438\u0439 \u0442\u0438\u043f quanteda, \u043e\u0447\u0435\u043d\u044c \u0443\u0434\u043e\u0431\u0435\u043d. \u041c\u043e\u0436\u0435\u043c \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u0441\u0430\u043c\u044b\u0435 \u0447\u0430\u0441\u0442\u043e\u0442\u043d\u044b\u0435 \u0441\u043b\u043e\u0432\u0430:<\/p>\n<pre><code class=\"r\">topfeatures(dtm, 20)<\/code><\/pre>\n<p>\u0410\u00a0\u0435\u0441\u043b\u0438 \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0444\u043e\u0440\u043c\u0430\u0442 \u0438\u0437 <code>tm<\/code>, \u0442\u043e \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u0442\u044c:<\/p>\n<pre><code class=\"r\">dtm_tm &lt;- convert(dtm, to = \"tm\") dtm_tm<\/code><\/pre>\n<h4>\u041e\u0447\u0438\u0441\u0442\u043a\u0430 DTM: \u0447\u0430\u0441\u0442\u043e\u0442\u043d\u044b\u0439 \u0444\u0438\u043b\u044c\u0442\u0440, \u043e\u0442\u0441\u0435\u0438\u0432\u0430\u043d\u0438\u0435 \u0440\u0435\u0434\u043a\u0438\u0445 \u0441\u043b\u043e\u0432<\/h4>\n<p>\u0414\u0430\u043b\u0435\u043a\u043e \u043d\u0435\u00a0\u0432\u0441\u0435\u0433\u0434\u0430 \u043d\u0443\u0436\u043d\u044b \u0432\u0441\u0435 \u0441\u043b\u043e\u0432\u0430. \u041d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0442\u0435\u0440\u043c\u0438\u043d\u044b \u0432\u0441\u0442\u0440\u0435\u0447\u0430\u044e\u0442\u0441\u044f \u043e\u0434\u0438\u043d \u0440\u0430\u0437 \u043d\u0430\u00a0\u043c\u0438\u043b\u043b\u0438\u043e\u043d \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043e\u0432 \u0438\u00a0\u043b\u0438\u0448\u044c \u0437\u0430\u0441\u043e\u0440\u044f\u044e\u0442 \u043c\u043e\u0434\u0435\u043b\u044c. \u041e\u0442\u0441\u0435\u0438\u043c \u0440\u0435\u0434\u043a\u043e \u0432\u0441\u0442\u0440\u0435\u0447\u0430\u044e\u0449\u0438\u0435\u0441\u044f \u0441\u043b\u043e\u0432\u0430:<\/p>\n<pre><code class=\"r\">dtm_trimmed &lt;- dfm_trim(dtm, min_docfreq = 5, min_termfreq = 10)<\/code><\/pre>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u043c\u0435\u043d\u044c\u0448\u0435 \u0440\u0435\u0434\u043a\u043e\u0433\u043e \u0448\u0443\u043c\u0430. \u041c\u043e\u0436\u043d\u043e \u0442\u0430\u043a\u0436\u0435 \u043e\u0442\u0444\u0438\u043b\u044c\u0442\u0440\u043e\u0432\u0430\u0442\u044c \u0441\u043b\u0438\u0448\u043a\u043e\u043c \u0447\u0430\u0441\u0442\u044b\u0435 \u0441\u043b\u043e\u0432\u0430 (\u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0432\u0441\u0442\u0440\u0435\u0447\u0430\u044e\u0442\u0441\u044f \u0432 90% \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043e\u0432):<\/p>\n<pre><code class=\"r\">dtm_filtered &lt;- dfm_trim(dtm_trimmed, max_docfreq = 0.9, docfreq_type = \"prop\")<\/code><\/pre>\n<h4>\u0410\u043d\u0430\u043b\u0438\u0437: \u0447\u0430\u0441\u0442\u043e\u0442\u044b, \u0430\u0441\u0441\u043e\u0446\u0438\u0430\u0446\u0438\u0438, \u043a\u043e\u043b\u043b\u043e\u043a\u0430\u0446\u0438\u0438<\/h4>\n<p>\u041f\u043e\u0440\u043e\u0439 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u043d\u0430\u00a0\u043a\u043e\u043b\u043b\u043e\u043a\u0430\u0446\u0438\u0438\u00a0\u2014 \u0443\u0441\u0442\u043e\u0439\u0447\u0438\u0432\u044b\u0435 \u0441\u043b\u043e\u0432\u043e\u0441\u043e\u0447\u0435\u0442\u0430\u043d\u0438\u044f, \u0431\u0438\u0433\u0440\u0430\u043c\u043c\u044b, \u0442\u0440\u0438\u0433\u0440\u0430\u043c\u043c\u044b. \u0412\u00a0quanteda \u044d\u0442\u043e \u043e\u0447\u0435\u043d\u044c \u043f\u0440\u043e\u0441\u0442\u043e:<\/p>\n<pre><code class=\"r\">collocations &lt;- textstat_collocations(tokens_stemmed, size = 2:3, min_count = 5) head(collocations, 20)<\/code><\/pre>\n<p>\u042d\u0442\u043e \u0432\u044b\u0432\u0435\u0434\u0435\u0442 \u0442\u043e\u043f \u043a\u043e\u043b\u043b\u043e\u043a\u0430\u0446\u0438\u0439. \u0415\u0441\u043b\u0438 \u0445\u043e\u0442\u0438\u043c \u0438\u0445 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u043a\u0430\u043a\u00a0\u0435\u0434\u0438\u043d\u044b\u0435 \u0442\u043e\u043a\u0435\u043d\u044b (\u0442.\u00a0\u0435. \u00abmachine learning\u00bb \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u0435\u043c \u0432 \u00abmachine_learning\u00bb):<\/p>\n<pre><code class=\"r\">tokens_coll &lt;- tokens_compound(tokens_stemmed, collocations, join = TRUE)<\/code><\/pre>\n<h4>\u0412\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u0447\u0430\u0441\u0442\u043e\u0442<\/h4>\n<p>\u041c\u043e\u0436\u043d\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u043f\u0440\u043e\u0441\u0442\u043e\u0439 wordcloud, \u0447\u0442\u043e\u0431\u044b \u043e\u0446\u0435\u043d\u0438\u0442\u044c \u043f\u043e\u043f\u0443\u043b\u044f\u0440\u043d\u044b\u0435 \u0442\u0435\u0440\u043c\u0438\u043d\u044b:<\/p>\n<pre><code class=\"r\">set.seed(123) textplot_wordcloud(dtm_filtered, max_words = 100, color = RColorBrewer::brewer.pal(8, \"Dark2\"))<\/code><\/pre>\n<p>\u0414\u0430, wordcloud\u00a0\u2014 \u044d\u0442\u043e \u0443\u0436\u0435 \u043a\u043b\u0430\u0441\u0441\u0438\u043a\u0430, \u043d\u043e\u00a0\u0438\u043d\u043e\u0433\u0434\u0430 \u043e\u043d \u043f\u043e\u043c\u043e\u0433\u0430\u0435\u0442\u00a0\u0431\u044b\u0441\u0442\u0440\u043e \u0443\u0445\u0432\u0430\u0442\u0438\u0442\u044c \u0441\u0443\u0442\u044c.<\/p>\n<h4>TF-IDF \u0438 \u043f\u0440\u043e\u0447\u0438\u0435 \u043c\u0435\u0442\u0440\u0438\u043a\u0438<\/h4>\n<p>\u0427\u0430\u0441\u0442\u043e\u0442\u044b\u00a0\u2014 \u0445\u043e\u0440\u043e\u0448\u043e, \u043d\u043e\u00a0\u043c\u043e\u0436\u043d\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0445\u0438\u0442\u0440\u0435\u0435. \u0427\u0430\u0441\u0442\u043e\u0442\u043d\u044b\u0439 \u043f\u043e\u043a\u0430\u0437\u0430\u0442\u0435\u043b\u044c TF\u2011IDF \u043f\u043e\u043c\u043e\u0433\u0430\u0435\u0442 \u0432\u044b\u0434\u0435\u043b\u0438\u0442\u044c \u0432\u0430\u0436\u043d\u044b\u0435 \u0441\u043b\u043e\u0432\u0430 \u0434\u043b\u044f\u00a0\u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u043e\u0433\u043e \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430. \u0412\u00a0quanteda \u0434\u0435\u043b\u0430\u0435\u0442\u0441\u044f \u044d\u043b\u0435\u043c\u0435\u043d\u0442\u0430\u0440\u043d\u043e:<\/p>\n<pre><code class=\"r\">dtm_tfidf &lt;- dfm_tfidf(dtm_filtered, scheme_tf = \"count\", scheme_df = \"inverse\") topfeatures(dtm_tfidf, 20)<\/code><\/pre>\n<p>\u042d\u0442\u043e \u0434\u0430\u0441\u0442 \u0441\u043b\u043e\u0432\u0430 \u0441\u00a0\u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e\u0439 \u0443\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u044c\u044e.<\/p>\n<h4>\u0422\u043e\u043f\u0438\u043a-\u043c\u043e\u0434\u0435\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 (LDA)<\/h4>\n<p>\u0421\u0442\u043e\u0438\u0442 \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u0442\u044c \u0447\u0442\u043e\u2011\u0442\u043e \u043f\u043e\u0433\u043b\u0443\u0431\u0436\u0435. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, LDA\u00a0\u2014 \u043e\u0447\u0435\u043d\u044c \u0440\u0430\u0441\u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u043d\u044b\u0439 \u043c\u0435\u0442\u043e\u0434 \u0434\u043b\u044f\u00a0\u0432\u044b\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u0442\u0435\u043c \u0432\u00a0\u0442\u0435\u043a\u0441\u0442\u0430\u0445. \u0412\u00a0quanteda \u043c\u043e\u0436\u043d\u043e \u043b\u0435\u0433\u043a\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0432\u0441\u0442\u0440\u043e\u0435\u043d\u043d\u044b\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u0438\u043b\u0438\u00a0\u043e\u0431\u0440\u0430\u0442\u0438\u0442\u044c\u0441\u044f \u043a\u00a0\u043f\u0430\u043a\u0435\u0442\u0443 <code>topicmodels<\/code>. \u0414\u043e\u043f\u0443\u0441\u0442\u0438\u043c, \u0435\u0441\u0442\u044c dfm, \u0438 \u043d\u0443\u0436\u043d\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u043f\u0440\u043e\u0441\u0442\u0435\u043d\u044c\u043a\u0443\u044e LDA:<\/p>\n<pre><code class=\"r\">library(topicmodels)  # \u041f\u0443\u0441\u0442\u044c \u0443 \u043d\u0430\u0441 5 \u0442\u0435\u043c (k=5) lda_model &lt;- LDA(convert(dtm_filtered, to = \"topicmodels\"), k = 5, control = list(seed = 123)) lda_topics &lt;- topics(lda_model) lda_terms &lt;- terms(lda_model, 10)  lda_terms<\/code><\/pre>\n<p>\u042d\u0442\u043e \u0434\u0430\u0441\u0442 \u0442\u043e\u043f\u2011\u0442\u0435\u0440\u043c\u0438\u043d\u044b \u0434\u043b\u044f\u00a0\u043a\u0430\u0436\u0434\u043e\u0439 \u0438\u0437 5\u00a0\u0442\u0435\u043c. \u041a\u043e\u043d\u0435\u0447\u043d\u043e, \u043d\u0430\u0441\u0442\u0440\u043e\u0439\u043a\u0430 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u043e\u0432 LDA\u00a0\u2014 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e\u0435 \u0438\u0441\u043a\u0443\u0441\u0441\u0442\u0432\u043e. \u041d\u043e\u00a0\u0434\u043b\u044f\u00a0\u0441\u0442\u0430\u0440\u0442\u0430 \u043f\u043e\u0439\u0434\u0435\u0442.<\/p>\n<h4>\u0421\u0435\u043d\u0442\u0438\u043c\u0435\u043d\u0442-\u0430\u043d\u0430\u043b\u0438\u0437<\/h4>\n<p>\u0415\u0441\u043b\u0438 \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u043d\u0435\u043c\u043d\u043e\u0433\u043e \u043e\u0446\u0435\u043d\u0438\u0442\u044c \u0442\u043e\u043d\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u044c \u0442\u0435\u043a\u0441\u0442\u043e\u0432 (\u0445\u043e\u0442\u044f \u0441\u00a0\u0440\u0443\u0441\u0441\u043a\u0438\u043c \u044f\u0437\u044b\u043a\u043e\u043c \u043f\u043e\u0441\u043b\u043e\u0436\u043d\u0435\u0435, \u0447\u0435\u043c \u0441\u00a0\u0430\u043d\u0433\u043b\u0438\u0439\u0441\u043a\u0438\u043c), \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u0442\u044c \u043f\u043e\u0434\u043a\u043b\u044e\u0447\u0438\u0442\u044c \u0437\u0430\u0440\u0430\u043d\u0435\u0435 \u043f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043b\u0435\u043d\u043d\u044b\u0435 \u0441\u043b\u043e\u0432\u0430\u0440\u0438 \u0442\u043e\u043d\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u0438. \u041f\u0440\u0435\u0434\u043f\u043e\u043b\u043e\u0436\u0438\u043c, \u0435\u0441\u0442\u044c \u0441\u043f\u0438\u0441\u043e\u043a \u043f\u043e\u0437\u0438\u0442\u0438\u0432\u043d\u044b\u0445 \u0438 \u043d\u0435\u0433\u0430\u0442\u0438\u0432\u043d\u044b\u0445 \u0441\u043b\u043e\u0432. \u041c\u043e\u0436\u043d\u043e \u043f\u043e\u0434\u0441\u0447\u0438\u0442\u0430\u0442\u044c, \u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043f\u043e\u0437\u0438\u0442\u0438\u0432\u043d\u044b\u0445\/\u043d\u0435\u0433\u0430\u0442\u0438\u0432\u043d\u044b\u0445 \u0432\u0441\u0442\u0440\u0435\u0447\u0430\u0435\u0442\u0441\u044f:<\/p>\n<pre><code class=\"r\">pos_words &lt;- c(\"\u043e\u0442\u043b\u0438\u0447\u043d\u044b\u0439\", \"\u0437\u0430\u043c\u0435\u0447\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u0439\", \"\u0445\u043e\u0440\u043e\u0448\u0438\u0439\", \"\u043f\u0440\u0435\u043a\u0440\u0430\u0441\u043d\u044b\u0439\") neg_words &lt;- c(\"\u0443\u0436\u0430\u0441\u043d\u044b\u0439\", \"\u043f\u043b\u043e\u0445\u043e\u0439\", \"\u043e\u0442\u0432\u0440\u0430\u0442\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0439\")  sentiment_scores &lt;- dfm_select(dtm_filtered, pattern = c(pos_words, neg_words))<\/code><\/pre>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u0434\u0441\u0447\u0438\u0442\u0430\u0442\u044c \u0441\u0443\u043c\u043c\u0430\u0440\u043d\u0443\u044e \u00ab\u0442\u043e\u043d\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u044c\u00bb \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430:<\/p>\n<pre><code class=\"r\">sentiment_df &lt;- convert(sentiment_scores, to = \"data.frame\") sentiment_df$sentiment_score &lt;- rowSums(sentiment_df[, pos_words]) - rowSums(sentiment_df[, neg_words]) head(sentiment_df)<\/code><\/pre>\n<p>\u042d\u0442\u043e \u043f\u0440\u0438\u043c\u0438\u0442\u0438\u0432\u043d\u044b\u0439 \u043f\u043e\u0434\u0445\u043e\u0434, \u043d\u043e\u00a0\u0434\u043b\u044f\u00a0\u0434\u0435\u043c\u043e\u043d\u0441\u0442\u0440\u0430\u0446\u0438\u0438 \u0441\u043e\u0439\u0434\u0435\u0442.<\/p>\n<h4>\u041f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c<\/h4>\n<p>\u041f\u0440\u0438\u00a0\u0440\u0430\u0431\u043e\u0442\u0435 \u0441\u00a0\u0431\u043e\u043b\u044c\u0448\u0438\u043c\u0438 \u043a\u043e\u0440\u043f\u0443\u0441\u0430\u043c\u0438 \u043c\u043e\u0436\u0435\u0442 \u043e\u043a\u0430\u0437\u0430\u0442\u044c\u0441\u044f, \u0447\u0442\u043e\u00a0R \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u0442 \u0442\u043e\u0440\u043c\u043e\u0437\u0438\u0442\u044c. Quanteda \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u043d \u043f\u043e\u0434\u00a0C++ \u0438 \u043c\u043e\u0436\u0435\u0442 \u0440\u0430\u0431\u043e\u0442\u0430\u0442\u044c \u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u0448\u0443\u0441\u0442\u0440\u043e. \u041d\u043e\u00a0\u0432\u0441\u0435 \u0440\u0430\u0432\u043d\u043e, \u0435\u0441\u043b\u0438 \u0435\u0441\u0442\u044c \u0434\u0435\u0441\u044f\u0442\u043a\u0438 \u043c\u0438\u043b\u043b\u0438\u043e\u043d\u043e\u0432 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043e\u0432, \u0441\u0442\u043e\u0438\u0442 \u043f\u043e\u0434\u0443\u043c\u0430\u0442\u044c \u043e\u00a0\u043f\u0430\u0440\u0430\u043b\u043b\u0435\u043b\u0438\u0437\u0430\u0446\u0438\u0438 \u0438\u043b\u0438\u00a0\u0431\u043b\u043e\u0447\u043d\u043e\u043c \u0430\u043d\u0430\u043b\u0438\u0437\u0435. \u041c\u043d\u043e\u0433\u0438\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 quanteda \u043c\u043e\u0436\u043d\u043e \u0440\u0430\u0441\u043f\u0430\u0440\u0430\u043b\u043b\u0435\u043b\u0438\u0442\u044c \u0441\u00a0\u043f\u043e\u043c\u043e\u0449\u044c\u044e <code>quanteda.textmodels<\/code> \u0438\u043b\u0438\u00a0\u0434\u0440\u0443\u0433\u0438\u0445 \u043f\u0430\u043a\u0435\u0442\u043e\u0432.<\/p>\n<p>\u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u043f\u0440\u0438\u00a0\u0442\u043e\u043a\u0435\u043d\u0438\u0437\u0430\u0446\u0438\u0438 \u043c\u043e\u0436\u043d\u043e \u0443\u043a\u0430\u0437\u0430\u0442\u044c <code>what = \"word\"<\/code> \u0438\u043b\u0438 <code>verbose = TRUE<\/code> \u0434\u043b\u044f\u00a0\u043f\u0440\u043e\u0444\u0438\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f, \u043c\u043e\u0436\u043d\u043e \u0440\u0430\u0437\u0431\u0438\u0442\u044c \u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u043a\u043e\u0440\u043f\u0443\u0441 \u043d\u0430\u00a0\u0431\u0430\u0442\u0447\u0438 \u0438 \u0438\u0445 \u043e\u0431\u0440\u0430\u0431\u0430\u0442\u044b\u0432\u0430\u0442\u044c. \u0412\u00a0\u043f\u0440\u043e\u0434\u0430\u043a\u0448\u0435\u043d\u0435 \u0447\u0430\u0441\u0442\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442 \u043a\u043e\u043c\u0431\u0438\u043d\u0430\u0446\u0438\u044e R + Spark (\u0447\u0435\u0440\u0435\u0437 <code>sparklyr<\/code>) \u0438\u043b\u0438\u00a0Python \u0434\u043b\u044f\u00a0\u0440\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u043d\u044b\u0445 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439. \u041d\u043e\u00a0quanteda \u0445\u043e\u0440\u043e\u0448 \u0434\u043b\u044f\u00a0\u0438\u043d\u0442\u0435\u0440\u0430\u043a\u0442\u0438\u0432\u043d\u043e\u0433\u043e \u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u0438\u043b\u0438\u00a0\u0441\u0440\u0435\u0434\u043d\u0438\u0445 \u043f\u043e\u00a0\u0440\u0430\u0437\u043c\u0435\u0440\u0443 \u043d\u0430\u0431\u043e\u0440\u043e\u0432.<\/p>\n<hr\/>\n<h3>\u0417\u0430\u043a\u043b\u044e\u0447\u0435\u043d\u0438\u0435<\/h3>\n<p>\u0418\u0442\u0430\u043a, <code>tm<\/code>\u00a0\u2014 \u0431\u043e\u043b\u0435\u0435 \u0441\u0442\u0430\u0440\u044b\u0439 \u043f\u0430\u043a\u0435\u0442, \u043f\u0440\u0435\u0434\u043b\u0430\u0433\u0430\u0435\u0442 <code>Corpus<\/code>, <code>DocumentTermMatrix<\/code>, <code>TermDocumentMatrix<\/code> \u043e\u0431\u044a\u0435\u043a\u0442\u044b. <code>quanteda<\/code>\u00a0\u2014\u00a0\u0431\u044b\u0441\u0442\u0440\u0435\u0435, \u0433\u0438\u0431\u0447\u0435, \u0443\u0434\u043e\u0431\u043d\u0435\u0435. \u041f\u0440\u0435\u0434\u043b\u0430\u0433\u0430\u0435\u0442 <code>corpus<\/code>, <code>tokens<\/code>, <code>dfm<\/code> \u043e\u0431\u044a\u0435\u043a\u0442\u044b. <code>quanteda<\/code> \u0438\u043c\u0435\u0435\u0442 \u0431\u043e\u043b\u0435\u0435 \u0441\u043e\u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0439 API \u0438 \u0447\u0430\u0441\u0442\u043e \u043e\u0431\u043d\u043e\u0432\u043b\u044f\u0435\u0442\u0441\u044f.<\/p>\n<p>\u0415\u0441\u043b\u0438 \u0432\u044b \u0442\u043e\u043b\u044c\u043a\u043e \u0441\u0442\u0430\u0440\u0442\u0443\u0435\u0442\u0435 \u0432\u00a0\u0442\u0435\u043a\u0441\u0442\u043e\u0432\u043e\u043c \u0430\u043d\u0430\u043b\u0438\u0437\u0435 \u043d\u0430\u00a0R, \u044f \u0440\u0435\u043a\u043e\u043c\u0435\u043d\u0434\u0443\u044e \u043f\u0435\u0440\u0435\u0439\u0442\u0438 \u0441\u0440\u0430\u0437\u0443 \u043a\u00a0quanteda\u00a0\u2014 \u043e\u043d \u0432\u00a0\u0431\u043e\u043b\u044c\u0448\u0438\u043d\u0441\u0442\u0432\u0435 \u0441\u043b\u0443\u0447\u0430\u0435\u0432 \u043f\u043e\u043a\u0440\u044b\u0432\u0430\u0435\u0442 \u0444\u0443\u043d\u043a\u0446\u0438\u043e\u043d\u0430\u043b tm.<\/p>\n<p>\u041d\u0435\u00a0\u0441\u0442\u0435\u0441\u043d\u044f\u0439\u0442\u0435\u0441\u044c \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c: \u043c\u0435\u043d\u044f\u0439\u0442\u0435 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u044b \u0442\u043e\u043a\u0435\u043d\u0438\u0437\u0430\u0446\u0438\u0438, \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0439\u0442\u0435 \u0441\u0432\u043e\u0438 \u0441\u0442\u043e\u043f\u2011\u0441\u043b\u043e\u0432\u0430, \u043f\u044b\u0442\u0430\u0439\u0442\u0435\u0441\u044c \u043d\u0430\u0439\u0442\u0438 \u0441\u043a\u0440\u044b\u0442\u044b\u0435 \u0442\u0435\u043c\u044b \u0432\u00a0\u0441\u0432\u043e\u0438\u0445 \u0434\u0430\u043d\u043d\u044b\u0445. \u0421\u043c\u043e\u0442\u0440\u0438\u0442\u0435, \u043a\u0430\u043a\u00a0\u043c\u0435\u043d\u044f\u0435\u0442\u0441\u044f \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043f\u0440\u0438\u00a0\u0440\u0430\u0437\u043d\u044b\u0445 \u043c\u0435\u0442\u0440\u0438\u043a\u0430\u0445.<\/p>\n<blockquote>\n<p>\u0411\u043e\u043b\u044c\u0448\u0435 \u0430\u043a\u0442\u0443\u0430\u043b\u044c\u043d\u044b\u0445 \u043d\u0430\u0432\u044b\u043a\u043e\u0432 \u043f\u043e \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u043a\u0435 \u0432\u044b \u043c\u043e\u0436\u0435\u0442\u0435 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0432 \u0440\u0430\u043c\u043a\u0430\u0445 <a href=\"https:\/\/otus.pw\/Bpj8i\/\">\u043f\u0440\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043e\u043d\u043b\u0430\u0439\u043d-\u043a\u0443\u0440\u0441\u043e\u0432<\/a> \u043e\u0442 \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438.<\/p>\n<p>\u0422\u0430\u043a\u0436\u0435 \u043f\u0440\u0438\u0445\u043e\u0434\u0438\u0442\u0435 \u043d\u0430 \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u0435 \u0443\u0440\u043e\u043a\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0441\u043e\u0432\u0441\u0435\u043c \u0441\u043a\u043e\u0440\u043e \u043f\u0440\u043e\u0439\u0434\u0443\u0442 \u0432 \u0440\u0430\u043c\u043a\u0430\u0445 \u043d\u0430\u0431\u043e\u0440\u0430 \u0443\u0447\u0430\u0449\u0438\u0445\u0441\u044f:<\/p>\n<ul>\n<li>\n<p>27 \u0434\u0435\u043a\u0430\u0431\u0440\u044f \u2014 \u00ab\u0412\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u0434\u0430\u043d\u043d\u044b\u0445. \u041e\u0441\u043d\u043e\u0432\u043d\u044b\u0435 &#171;\u0444\u0438\u043d\u0430\u043d\u0441\u043e\u0432\u044b\u0435&#187; \u0433\u0440\u0430\u0444\u0438\u043a\u0438, \u0440\u0430\u0431\u043e\u0442\u0430 \u0441 mplfinance\u00bb. <a href=\"https:\/\/otus.pw\/UPcc\/\">\u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435<\/a><\/p>\n<\/li>\n<li>\n<p>13 \u044f\u043d\u0432\u0430\u0440\u044f \u2014 \u00ab\u0412\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u0434\u0430\u043d\u043d\u044b\u0445 \u043d\u0430 Python\u00bb. <a href=\"https:\/\/otus.pw\/M8au\/\">\u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435<\/a><\/p>\n<\/li>\n<\/ul>\n<\/blockquote>\n<\/div>\n<\/div>\n<\/div>\n<p><!----><!----><\/div>\n<p><!----><!----><br \/> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/articles\/865496\/\"> https:\/\/habr.com\/ru\/articles\/865496\/<\/a><br \/><\/br><\/br><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-443365","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/443365","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=443365"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/443365\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=443365"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=443365"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=443365"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}