-
Notifications
You must be signed in to change notification settings - Fork 0
/
eurovoc_adding_version2.Rmd
197 lines (135 loc) · 4.35 KB
/
eurovoc_adding_version2.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
---
title: "R Notebook"
output:
pdf_document: default
pdf_notebook: default
---
#Prend le résultat d'un topic modeling de Mathias ajoute les eurovocs
```{r, message=FALSE}
library(readr)
library(tidyverse)
library(data.table)
source("get_fingerprint.R") #imitation du fingerprint d'Open Refine
```
#on importe les labels de Mathias
```{r}
topic_modeling_result <- file.choose()
```
```{r}
topic_labels <- fread(topic_modeling_result,
header= FALSE,
encoding = "UTF-8")
topic_labels
```
#on inverse les colonnes SI le top term se trouve à la fin, et on élimine les lignes de chiffres
```{r}
topic_labels <-
topic_labels %>%
filter(!is.na(V1)) %>%
select(num_range("V", c(1, 12:3)))
topic_labels
```
# On transpose verticalement. (réorganiser topics sous forme de DB, afin de minimiser les matchings ?)
```{r test_1}
labels_tidy <-
melt(topic_labels, id.vars = c("V1"),
measure.vars = 2:ncol(topic_labels)) %>%
select(topic_id=V1, value)
labels_tidy
```
# on ajoute un numéro de tokens et de topics afin de conserver leur ordre
```{r}
labels_tidy <-
labels_tidy %>%
group_by(topic_id) %>%
mutate(token_id = row_number(), topic_number = stringr::str_extract(topic_id, "\\d+")) %>%
ungroup()
labels_tidy
```
#on importe le thésaurus nettoyé
```{r}
thesaurus <-
fread("eurovoc_thesaurus_complet.csv", encoding="UTF-8")
```
#jointure des unigrammes
```{r}
labels_tidy_joined_unigrams <- labels_tidy %>%
fuzzyjoin::stringdist_left_join(thesaurus,
by = c(value = "fingerprint_cleaned"),
distance_col = "dist",
max_dist = 0.01,
method='jw', p=0.1) %>%
arrange(as.integer(topic_id), term) %>%
filter(!is.na(term)) %>%
select(topic_id, tokens = value, term, dist, french, length, profondeur, category, link, bt1, mt, domain)
head(labels_tidy_joined_unigrams)
```
#création des bigrammes, fingerprint et numérotation dans l'ordre
```{r}
bigrammes <-
melt(setDT(labels_tidy),
id.var = c("topic_id"))[, combn(value, 2, FUN = paste, collapse = ' '), topic_id]
```
```{r}
bigrammes <- bigrammes[,.(topic_id, V1, fingerprint = get_fingerprint(V1))]
setnames(bigrammes, "V1", "value")
```
#Fuzzy join sur les bigrammes (prend de 3 à 20 minutes et BEAUCOUP de RAM avec 17 000 bigrammes)
```{r}
start.time <- Sys.time()
labels_tidy_joined_bigrams <- bigrammes %>%
fuzzyjoin::stringdist_inner_join(thesaurus,
by = c(fingerprint = "fingerprint_cleaned"),
distance_col = "dist",
max_dist=0,
ignore_case = TRUE,
method = "lv") %>%
select(topic_id, tokens = value, term, dist, french, length, profondeur, category, link, bt1, mt, domain)
end.time <- Sys.time()
time.taken <- end.time - start.time
time.taken
labels_tidy_joined_bigrams
View(labels_tidy_joined_bigrams)
```
#On merge les unigrams et bigrammes matchés
```{r}
merged <- rbind(labels_tidy_joined_unigrams,
labels_tidy_joined_bigrams)
merged
View(merged)
```
#Export en csv
```{r}
fwrite(merged, file = "merged_mathias2.csv")
```
#Je me suis arrêté ici pour cette partie
-----------------------------------------------------------------------------------
#On importe la matrice de topic par documents transposée dans refine pour gagner du temps
```{r}
library(readr)
doc.topics <- read_csv("DATA_EVAL/NewEnglish_250_composition_transposed.csv")
View(doc.topics)
```
#on transpose doc.topic
```{r}
doc.topics_t <-
doc.topics %>%
select(1:16) %>%
tibble::rownames_to_column("fichier") %>%
gather(topic_id, proportion, 3:16)
```
final <-
doc.topics_t %>%
left_join(merged)
#On retente de faire la somme cumulée des proportions de chaque token
somme_cumulee <-
final %>%
group_by(fichier, term) %>%
summarise(somme = sum(proportion)*100) %>%
mutate(file_id=stringr::str_extract(""))
filter(somme >= 5)
fwrite(somme_cumulee, "somme_cumulee.csv")
#il faut maintenant comparer avec les eurovocs manuels
jrc_metadata <- fread("~/eurovoc_topicmodeling/jrc_acquis_metadata.csv") %>%
select(-body)
fwrite(jrc_metadata, "jrc_metatada_sansbody.csv")