Naprawdę szybka wektoryzacja słowa ngram w R
Edit: nowy pakiet text2vec jest doskonały i rozwiązuje ten problem (i wiele innych) naprawdę dobrze.
Text2vec na CRAN text2vec na github winieta ilustrująca tokenizację ngram
Mam dość duży zbiór danych tekstowych w R, który zaimportowałem jako wektor znaków:
#Takes about 15 seconds
system.time({
set.seed(1)
samplefun <- function(n, x, collapse){
paste(sample(x, n, replace=TRUE), collapse=collapse)
}
words <- sapply(rpois(10000, 3) + 1, samplefun, letters, '')
sents1 <- sapply(rpois(1000000, 5) + 1, samplefun, words, ' ')
})
Mogę przekonwertować dane tego znaku na reprezentację worka słów w następujący sposób:
library(stringi)
library(Matrix)
tokens <- stri_split_fixed(sents1, ' ')
token_vector <- unlist(tokens)
bagofwords <- unique(token_vector)
n.ids <- sapply(tokens, length)
i <- rep(seq_along(n.ids), n.ids)
j <- match(token_vector, bagofwords)
M <- sparseMatrix(i=i, j=j, x=1L)
colnames(M) <- bagofwords
Więc R może wektoryzować 1,000,000 milionów krótkich zdania w worek słów reprezentacji w około 3 sekund (nieźle!):
> M[1:3, 1:7]
10 x 7 sparse Matrix of class "dgCMatrix"
fqt hqhkl sls lzo xrnh zkuqc mqh
[1,] 1 1 1 1 . . .
[2,] . . . . 1 1 1
[3,] . . . . . . .
Mogę wrzucić tę rzadką macierz do glmnet lub irlba i zrobić całkiem niesamowitą analizę ilościową danych tekstowych. Hura!
Teraz chciałbym rozszerzyć tę analizę na macierz bag-of-ngrams, a nie macierz bag-of-words. Do tej pory najszybszy sposób, jaki znalazłem, aby to zrobić, jest następujący (wszystkie funkcje ngram, które mogłem znaleźć na CRAN I got a little help from SO):find_ngrams <- function(dat, n, verbose=FALSE){
library(pbapply)
stopifnot(is.list(dat))
stopifnot(is.numeric(n))
stopifnot(n>0)
if(n == 1) return(dat)
pblapply(dat, function(y) {
if(length(y)<=1) return(y)
c(y, unlist(lapply(2:n, function(n_i) {
if(n_i > length(y)) return(NULL)
do.call(paste, unname(as.data.frame(embed(rev(y), n_i), stringsAsFactors=FALSE)), quote=FALSE)
})))
})
}
text_to_ngrams <- function(sents, n=2){
library(stringi)
library(Matrix)
tokens <- stri_split_fixed(sents, ' ')
tokens <- find_ngrams(tokens, n=n, verbose=TRUE)
token_vector <- unlist(tokens)
bagofwords <- unique(token_vector)
n.ids <- sapply(tokens, length)
i <- rep(seq_along(n.ids), n.ids)
j <- match(token_vector, bagofwords)
M <- sparseMatrix(i=i, j=j, x=1L)
colnames(M) <- bagofwords
return(M)
}
test1 <- text_to_ngrams(sents1)
Zajmuje to około 150 sekund( nieźle jak na czystą funkcję r), ale chciałbym przyspieszyć i rozszerzyć na większe zbiory danych.
Czy są jakieś naprawdę szybkie funkcje w R dla N-gramowej wektoryzacji tekstu? Idealnie Szukam rcpp funkcji, która przyjmuje wektor znakowy jako wejście i zwraca rzadką macierz dokumentów x ngramów jako wyjście, ale również byłbym szczęśliwy mając jakieś wskazówki piszące rcpp funkcjonuję sam.
Nawet szybsza wersja funkcji find_ngrams
byłaby pomocna, ponieważ jest to główne wąskie gardło. R jest zaskakująco szybki w tokenizacji.
Edycja 1 Oto kolejny przykładowy zbiór danych:
sents2 <- sapply(rpois(100000, 500) + 1, samplefun, words, ' ')
W tym przypadku moje funkcje do tworzenia macierzy worka słów zajmują około 30 sekund, a moje funkcje do tworzenia macierzy worka ngramów zajmują około 500 sekund. Znowu istniejące N-gramowe wektoryzatory w R zdają się zadławić tym zestawem danych (choć chciałbym być / align = "left" / )
Edycja 2 Timings vs tau:
zach_t1 <- system.time(zach_ng1 <- text_to_ngrams(sents1))
tau_t1 <- system.time(tau_ng1 <- tau::textcnt(as.list(sents1), n = 2L, method = "string", recursive = TRUE))
tau_t1 / zach_t1 #1.598655
zach_t2 <- system.time(zach_ng2 <- text_to_ngrams(sents2))
tau_t2 <- system.time(tau_ng2 <- tau::textcnt(as.list(sents2), n = 2L, method = "string", recursive = TRUE))
tau_t2 / zach_t2 #1.9295619
2 answers
Jest to bardzo interesujący problem, z którym zmagałem się wiele czasu w pakiecie quanteda. Obejmuje trzy aspekty, które skomentuję, chociaż tylko trzeci naprawdę odpowiada na twoje pytanie. Ale pierwsze dwa punkty wyjaśniają, dlaczego skupiłem się tylko na funkcji tworzenia ngram, ponieważ-jak zaznaczasz-to jest miejsce, w którym można poprawić szybkość.
tokenizacja. tutaj używasz
string::str_split_fixed()
na znak spacji, który jest najszybszą, ale nie najlepszą metodą tokenizacji. Zaimplementowaliśmy to prawie dokładnie tak samo jak wquanteda::tokenize(x, what = "fastest word")
. Nie jest to najlepsze rozwiązanie, ponieważ stringi mogą wykonywać znacznie mądrzejsze implementacje ograniczników odstępów. (Nawet klasa znaków\\s
jest mądrzejsza, ale nieco wolniejsza-jest zaimplementowana jakowhat = "fasterword"
). Twoje pytanie nie dotyczyło tokenizacji, więc ten punkt jest tylko kontekstem.Tabulating the macierz funkcji dokumentu . Tutaj również używamy pakietu macierzy , indeksujemy dokumenty i funkcje (nazywam je funkcjami, a nie terminami) i tworzymy rzadką macierz bezpośrednio, Jak to robisz w powyższym kodzie. Ale twoje użycie
match()
jest o wiele szybsze niż metody dopasowywania / scalania, których używaliśmy przez dane.tabela . Zamierzam przekodować funkcjęquanteda::dfm()
, Ponieważ twoja metoda jest bardziej elegancka i szybsza. Naprawdę, bardzo się cieszę, że to zobaczyłem!ngram creation . Tutaj myślę, że mogę rzeczywiście pomóc w zakresie wydajności. Zaimplementujemy to w quanteda poprzez argument do
quanteda::tokenize()
, zwanygrams = c(1)
, gdzie wartością może być dowolny zbiór liczb całkowitych. Naszym odpowiednikiem dla unigramów i bigramów będziengrams = 1:2
, na przykład. Możesz sprawdzić kod na https://github.com/kbenoit/quanteda/blob/master/R/tokenize.R , patrz funkcja wewnętrznangram()
. Odtworzyłem to poniżej i zrobiłem opakowanie, abyśmy mogli bezpośrednio porównać go z Twoimfind_ngrams()
funkcja.
Kod:
# wrapper
find_ngrams2 <- function(x, ngrams = 1, concatenator = " ") {
if (sum(1:length(ngrams)) == sum(ngrams)) {
result <- lapply(x, ngram, n = length(ngrams), concatenator = concatenator, include.all = TRUE)
} else {
result <- lapply(x, function(x) {
xnew <- c()
for (n in ngrams)
xnew <- c(xnew, ngram(x, n, concatenator = concatenator, include.all = FALSE))
xnew
})
}
result
}
# does the work
ngram <- function(tokens, n = 2, concatenator = "_", include.all = FALSE) {
if (length(tokens) < n)
return(NULL)
# start with lower ngrams, or just the specified size if include.all = FALSE
start <- ifelse(include.all,
1,
ifelse(length(tokens) < n, 1, n))
# set max size of ngram at max length of tokens
end <- ifelse(length(tokens) < n, length(tokens), n)
all_ngrams <- c()
# outer loop for all ngrams down to 1
for (width in start:end) {
new_ngrams <- tokens[1:(length(tokens) - width + 1)]
# inner loop for ngrams of width > 1
if (width > 1) {
for (i in 1:(width - 1))
new_ngrams <- paste(new_ngrams,
tokens[(i + 1):(length(tokens) - width + 1 + i)],
sep = concatenator)
}
# paste onto previous results and continue
all_ngrams <- c(all_ngrams, new_ngrams)
}
all_ngrams
}
Oto porównanie dla prostego tekstu:
txt <- c("The quick brown fox named Seamus jumps over the lazy dog.",
"The dog brings a newspaper from a boy named Seamus.")
tokens <- tokenize(toLower(txt), removePunct = TRUE)
tokens
# [[1]]
# [1] "the" "quick" "brown" "fox" "named" "seamus" "jumps" "over" "the" "lazy" "dog"
#
# [[2]]
# [1] "the" "dog" "brings" "a" "newspaper" "from" "a" "boy" "named" "seamus"
#
# attr(,"class")
# [1] "tokenizedTexts" "list"
microbenchmark::microbenchmark(zach_ng <- find_ngrams(tokens, 2),
ken_ng <- find_ngrams2(tokens, 1:2))
# Unit: microseconds
# expr min lq mean median uq max neval
# zach_ng <- find_ngrams(tokens, 2) 288.823 326.0925 433.5831 360.1815 542.9585 897.469 100
# ken_ng <- find_ngrams2(tokens, 1:2) 74.216 87.5150 130.0471 100.4610 146.3005 464.794 100
str(zach_ng)
# List of 2
# $ : chr [1:21] "the" "quick" "brown" "fox" ...
# $ : chr [1:19] "the" "dog" "brings" "a" ...
str(ken_ng)
# List of 2
# $ : chr [1:21] "the" "quick" "brown" "fox" ...
# $ : chr [1:19] "the" "dog" "brings" "a" ...
Dla Twojego naprawdę dużego, symulowanego tekstu, oto porównanie:
tokens <- stri_split_fixed(sents1, ' ')
zach_ng1_t1 <- system.time(zach_ng1 <- find_ngrams(tokens, 2))
ken_ng1_t1 <- system.time(ken_ng1 <- find_ngrams2(tokens, 1:2))
zach_ng1_t1
# user system elapsed
# 230.176 5.243 246.389
ken_ng1_t1
# user system elapsed
# 58.264 1.405 62.889
Już poprawa, byłbym zachwycony, jeśli można to poprawić dalej. Powinienem również być w stanie zaimplementować szybszą metodę dfm()
do quanteda , abyś mógł uzyskać to, co chcesz, po prostu poprzez:
dfm(sents1, ngrams = 1:2, what = "fastestword",
toLower = FALSE, removePunct = FALSE, removeNumbers = FALSE, removeTwitter = TRUE))
(to już działa, ale jest wolniejsze niż ogólnie wynik, bo sposób tworzenia końcowego obiektu sparse matrix jest szybszy - ale wkrótce to zmienię.)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2015-07-24 02:59:05
Oto test z użyciem wersji dev tokenizerów , które można uzyskać za pomocą devtools::install_github("ropensci/tokenizers")
.
Używając definicji sents1
, sents2
, i find_ngrams()
powyżej:
library(stringi)
library(magrittr)
library(tokenizers)
library(microbenchmark)
library(pbapply)
set.seed(198)
sents1_sample <- sample(sents1, 1000)
sents2_sample <- sample(sents2, 1000)
test_sents1 <- microbenchmark(
find_ngrams(stri_split_fixed(sents1_sample, ' '), n = 2),
tokenize_ngrams(sents1_sample, n = 2),
times = 25)
test_sents1
Wyniki:
Unit: milliseconds
expr min lq mean
find_ngrams(stri_split_fixed(sents1_sample, " "), n = 2) 79.855282 83.292816 102.564965
tokenize_ngrams(sents1_sample, n = 2) 4.048635 5.147252 5.472604
median uq max neval cld
93.622532 109.398341 226.568870 25 b
5.479414 5.805586 6.595556 25 a
Testowanie na sents2
test_sents2 <- microbenchmark(
find_ngrams(stri_split_fixed(sents2_sample, ' '), n = 2),
tokenize_ngrams(sents2_sample, n = 2),
times = 25)
test_sents2
Wyniki:
Unit: milliseconds
expr min lq mean
find_ngrams(stri_split_fixed(sents2_sample, " "), n = 2) 509.4257 521.7575 562.9227
tokenize_ngrams(sents2_sample, n = 2) 288.6050 295.3262 306.6635
median uq max neval cld
529.4479 554.6749 844.6353 25 b
306.4858 310.6952 332.5479 25 a
Sprawdzanie po prostu czasu
timing <- system.time({find_ngrams(stri_split_fixed(sents1, ' '), n = 2)})
timing
user system elapsed
90.499 0.506 91.309
timing_tokenizers <- system.time({tokenize_ngrams(sents1, n = 2)})
timing_tokenizers
user system elapsed
6.940 0.022 6.964
timing <- system.time({find_ngrams(stri_split_fixed(sents2, ' '), n = 2)})
timing
user system elapsed
138.957 3.131 142.581
timing_tokenizers <- system.time({tokenize_ngrams(sents2, n = 2)})
timing_tokenizers
user system elapsed
65.22 1.57 66.91
Wiele zależy od tokenizacji tekstów, ale wydaje się to wskazywać na przyspieszenie od 2x do 20x.]}Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2018-03-14 02:39:43