Text Mining with R: A Tidy Approach

بسیاری از داده‌های موجود امروزی بدون ساختار و متن سنگین هستند، و استفاده از ابزارهای مجادله و تجسم داده‌های معمول خود را برای تحلیلگران چالش برانگیز می‌سازد. با این کتاب کاربردی، تکنیک‌های متن‌کاوی را با tidytext کشف خواهید کرد، بسته‌ای که نویسندگان جولیا سیلج و دیوید رابینسون با استفاده از اصول مرتب پشت بسته‌های R مانند ggraph و dplyr یاد خواهید گرفت که چگونه متن مرتب و سایر ابزارهای مرتب در R می توانند تجزیه و تحلیل متن را آسان تر و مؤثرتر کنند.

نویسندگان نشان می دهند که چگونه با متن به عنوان قاب داده ها می توانید ویژگی های متن را دستکاری، خلاصه و تجسم کنید. همچنین یاد خواهید گرفت که چگونه پردازش زبان طبیعی (NLP) را در جریان کار موثر ادغام کنید. نمونه‌های کد عملی و کاوش‌های داده به شما کمک می‌کند بینش واقعی از ادبیات، اخبار و رسانه‌های اجتماعی ایجاد کنید.

• یاد بگیرید که چگونه قالب متن مرتب را در NLP به کار ببرید
• از احساسات استفاده کنید. تجزیه و تحلیل برای استخراج محتوای احساسی متن
• تشخیص مهمترین اصطلاحات یک سند با اندازه گیری فرکانس
• کاوش روابط و ارتباط بین کلمات با ggraph و widyr
• تبدیل جلو و عقب بین قالب‌های نوشتاری مرتب و غیر مرتب R
• از مدل‌سازی موضوع برای طبقه‌بندی مجموعه‌های اسناد به گروه‌های طبیعی استفاده کنید
• مطالعات موردی را بررسی کنید که بایگانی‌های توییتر را مقایسه می‌کند، به فراداده‌های ناسا می‌پردازد و هزاران پیام Usenet را تحلیل می‌کند

Much of the data available today is unstructured and text-heavy, making it challenging for analysts to apply their usual data wrangling and visualization tools. With this practical book, you’ll explore text-mining techniques with tidytext, a package that authors Julia Silge and David Robinson developed using the tidy principles behind R packages like ggraph and dplyr. You’ll learn how tidytext and other tidy tools in R can make text analysis easier and more effective.

The authors demonstrate how treating text as data frames enables you to manipulate, summarize, and visualize characteristics of text. You’ll also learn how to integrate natural language processing (NLP) into effective workflows. Practical code examples and data explorations will help you generate real insights from literature, news, and social media.

• Learn how to apply the tidy text format to NLP
• Use sentiment analysis to mine the emotional content of text
• Identify a document’s most important terms with frequency measurements
• Explore relationships and connections between words with the ggraph and widyr packages
• Convert back and forth between R’s tidy and non-tidy text formats
• Use topic modeling to classify document collections into natural groups
• Examine case studies that compare Twitter archives, dig into NASA metadata, and analyze thousands of Usenet messages