如何用文本替换表情符号并将它们视为单个单词？

如何解决如何用文本替换表情符号并将它们视为单个单词？

我必须使用 R 对包含表情符号的文本片段进行主题建模。使用 replace_emoji() 和 replace_emoticon 函数让我可以分析它们，但结果存在问题。>

红心表情符号被翻译为“红心ufef”。然后在分析过程中分别处理这些词并损害结果。

像“heart”这样的术语可以有非常不同的含义，如“red heart ufef”和“broken heart”所见 函数 replace_emoji_identifier() 也无济于事，因为标识符使分析变得困难。

可通过使用 dput() 重现的虚拟数据集（包括步骤 force to lowercase：

Emoji_struct <- c(
      list(content = "?? wow","? look at that","?this makes me angry?","?❤\ufe0f,i love it!"),list(content = "??","? thanks for helping","? oh no,why? ?","careful,challenging ❌❌❌")
)

当前编码（data_orig 是几个文件的列表）：

library(textclean)
#The rest should be standard r packages for pre-processing

#pre-processing:
data <- gsub("'","",data) 
data <- replace_contraction(data)
data <- replace_emoji(data) # replace emoji with words
data <- replace_emoticon(data) # replace emoticon with words
data <- replace_hash(data,replacement = "")
data <- replace_word_elongation(data)
data <- gsub("[[:punct:]]"," ",data)  #replace punctuation with space
data <- gsub("[[:cntrl:]]",data) 
data <- gsub("[[:digit:]]",data)  #remove digits
data <- gsub("^[[:space:]]+",data) #remove whitespace at beginning of documents
data <- gsub("[[:space:]]+$",data) #remove whitespace at end of documents
data <- stripWhitespace(data)

所需的输出：

[1] list(content = c("fire fire wow","facewithopenmouth look at that","facewithsteamfromnose this makes me angry facewithsteamfromnose","smilingfacewithhearteyes redheart \ufe0f,content = c("smilingfacewithhearteyes smilingfacewithhearteyes","smilingfacewithsmilingeyes thanks for helping","cryingface oh no,why? cryingface",challenging crossmark crossmark crossmark"))

有什么想法吗？小写也可以。 最好的祝福。注意安全。保持健康。

解决方法

回答

用删除了空格/标点符号的版本替换 replace_emoji 中的默认转换表：

hash2 <- lexicon::hash_emojis
hash2$y <- gsub("[[:space:]]|[[:punct:]]","",hash2$y)

replace_emoji(Emoji_struct[,1],emoji_dt = hash2)

示例

单字符串：

replace_emoji("wow!? that is cool!",emoji_dt = hash2)
#[1] "wow! facewithopenmouth that is cool!"

字符向量：

replace_emoji(c("1: ?","2: ?"),emoji_dt = hash2)
#[1] "1: smilingfacewithsmilingeyes "
#[2] "2: smilingfacewithhearteyes "

列表：

list("list_element_1: ?","list_element_2: ❌") %>%
  lapply(replace_emoji,emoji_dt = hash2)
#[[1]]
#[1] "list_element_1: fire "
#
#[[2]]
#[1] "list_element_2: crossmark "

基本原理

要将表情符号转换为文本，replace_emoji 使用 lexicon::hash_emojis 作为转换表（哈希表）：

head(lexicon::hash_emojis)
#              x                        y
#1: <e2><86><95>            up-down arrow
#2: <e2><86><99>          down-left arrow
#3: <e2><86><a9> right arrow curving left
#4: <e2><86><aa> left arrow curving right
#5: <e2><8c><9a>                    watch
#6: <e2><8c><9b>           hourglass done

这是一个 data.table 类的对象。我们可以简单地修改此哈希表的 y 列，以便删除所有空格和标点符号。请注意，这也允许您添加新的 ASCII 字节表示和伴随的字符串。