我正在尝试使用一个非常大的大约85,000个推文,我试图与电视广告中的对话进行比较。但是,由于我的语料库的大小,我无法处理余弦相似性度量,而没有得到“错误:无法分配大小为n的向量”消息(本例中为26 GB)。使用quanteda计算R中大型语料库的余弦相似度
我已经在具有大量内存的服务器上运行R 64位。我也尝试在内存最多的服务器上使用AWS(244 GB),但无济于事(同样的错误)。
有没有办法使用像fread这样的软件包来解决这个内存限制问题,还是只能发明一种方法来分解我的数据?感谢很多的帮助,我已经追加下面的代码:
x <- NULL
y <- NULL
num <- NULL
z <- NULL
ad <- NULL
for (i in 1:nrow(ad.corp$documents)){
num <- i
ad <- paste("ad.num",num,sep="_")
x <- subset(ad.corp, ad.corp$documents$num== yoad)
z <- x + corp.all
z$documents$texts <- as.character(z$documents$texts)
PolAdsDfm <- dfm(z, ignoredFeatures = stopwords("english"), groups = "num",stem=TRUE, verbose=TRUE, removeTwitter=TRUE)
PolAdsDfm <- tfidf(PolAdsDfm)
y <- similarity(PolAdsDfm, ad, margin="documents",n=20, method = "cosine", normalize = T)
y <- sort(y, decreasing=T)
if (y[1] > .7){assign(paste(ad,x$documents$texts,sep="--"), y)}
else {print(paste(ad,"didn't make the cut", sep="****"))}
}
你使用最新的(GitHub)版本吗?对不起,直到十二月27日没有电脑,但高兴地解决这个问题! –
我会检查GitHub版本。感谢您的帮助,我期待在假期后收到您的回复。祝一切顺利! – StanO
好的我已经找到了这里的问题 - “相似性()”将稀疏矩阵强制为一个密集矩阵。我将改变底层实施以避免这种胁迫。但是目前(quanteda_0.9.1-7),如果您没有足够的内存来容纳矩阵的整个密集版本,它将无法工作。我就此提交了[GitHub上的问题#84](https://github.com/kbenoit/quanteda/issues/84)。 –