Я создал базовый продукт прогнозирования слов, используя R как часть работы по проекту онлайн-курса. Я хотел продлить его для предсказания следующего слова с тамильских фаз. Я использовал образец тамильских языков с сайта HC Corpora. Я прочитал его в R и создал тм() корпус.чтение Tamil corpus in R
testData <- "திருவண்ணாமலை, கொல்லிமலை, சதுரகிரி என அவன் சித்தர்களை பல
இடங்களில், மலைகளில், குகைகளில், இன்னும் பல ரகசிய இடங்களில்
அவன் சித்தர்களை சந்தித்து பல நம்பமுடியாத சக்திகளைப்
பெற்றுவிட்டான் என்று சொல்லிக் கொள்கிறார்கள்"
getUnigrams <- function(x) {NGramTokenizer(x,
Weka_control(min=1, max=1))}
unigrams <- DocumentTermMatrix(VCorpus(VectorSource(testData)),
control=list(tokenize=getUnigrams))
unigramsList <- data.frame(slam::col_sums(unigrams))
head(unigramsList, 3)
> slam..col_sums.unigrams.
அவன் 2
இடங்களில் 2
இன்னும் 1
Фактические слова тамилов - это имена строк этого кадра данных и отображаются на экране надлежащим образом. Тем не менее, когда я пытаюсь добавить его в качестве столбца против их соответствующего подсчета, результирующий фрейм данных не отображает слова тамилов правильно в столбцах unigramsList $ word1. Он отображает его как символы юникода лежащего в основе тамильского слова.
unigramsList$word1 <- rownames(unigramsList) ## Encoding issues arise from here!!!
head(unigramsList, 3)
slam..col_sums.unigrams.
அவன் 2
இடங்களில் 2
இன்னும் 1
word1
அவன் <U+0B85><U+0BB5><U+0BA9><U+0BCD>
இடங்களில் <U+0B87><U+0B9F><U+0B99><U+0BCD><U+0B95><U+0BB3><U+0BBF><U+0BB2><U+0BCD>
இன்னும் <U+0B87><U+0BA9><U+0BCD><U+0BA9><U+0BC1><U+0BAE><U+0BCD>
>
Я попытался продолжить эти символы Юникода и построен н-г на 2, 3 и 4-грамме и использовал его для моего предсказания. Но все последующие операции над этим столбцом отображаются только в виде необработанного юникода. Я хочу иметь возможность просматривать и прогнозировать их у своих родных тамильских персонажей.
Моей сессия информации, как показано ниже:
> sessionInfo()
R version 3.2.5 (2016-04-14)
Platform: i386-w64-mingw32/i386 (32-bit)
Running under: Windows 7 (build 7601) Service Pack 1
locale:
[1] LC_COLLATE=English_United States.1252 LC_CTYPE=English_United States.1252
[3] LC_MONETARY=English_United States.1252 LC_NUMERIC=C
[5] LC_TIME=English_United States.1252
attached base packages:
[1] stats graphics grDevices utils datasets methods base
other attached packages:
[1] RWeka_0.4-29 tm_0.6-2 NLP_0.1-9 stringi_1.0-1 stringr_1.0.0
loaded via a namespace (and not attached):
[1] magrittr_1.5 parallel_3.2.5 tools_3.2.5 slam_0.1-37
[5] grid_3.2.5 rJava_0.9-8 RWekajars_3.9.0-1
Добро пожаловать на SO. Пожалуйста, прочитайте [как предоставить минимальные воспроизводимые примеры в R] (http://stackoverflow.com/questions/5963269/how-to-make-a-great-r-reproducible-example#answer-5963610). Затем отредактируйте и улучшите его соответствующим образом. Хорошая почта обычно обеспечивает минимальные входные данные, желаемые выходные данные и попытки кода - все операции копирования и вставки в новом/чистом сеансе R. 'blogcon <- file (" Ta_Blogs.txt ")' не воспроизводится. – lukeA
Я исправил его сейчас и включил некоторый воспроизводимый код с образцовыми текстовыми данными Tamil. Спасибо за ваше предложение о предоставлении воспроизводимых примеров –