如何在R中将文本拆分为两个有意义的单词

这是我的数据框 df 中的文本，其中有一个名为“problem_note_text”的文本列

SSCIssue：钞票分配器故障执行检查/分配器故障/要求商店取出钞票分配器并将其放回去/仍然错误消息说前门已打开/因此 CE attn req联系方式详细信息 - Olivia taber 01159063390 / 上午 7 点至晚上 11 点

df$problem_note_text <- tolower(df$problem_note_text)
df$problem_note_text <- tm::removeNumbers(df$problem_note_text)
df$problem_note_text<- str_replace_all(df$problem_note_text, "  ", "") # replace double spaces with single space
df$problem_note_text = str_replace_all(df$problem_note_text, pattern = "[[:punct:]]", " ")
df$problem_note_text<- tm::removeWords(x = df$problem_note_text, stopwords(kind = 'english'))
Words = all_words(df$problem_note_text, begins.with=NULL)

现在有一个数据框，其中包含单词列表，但有类似的单词

“失败的表现”

需要分成两个有意义的词，例如

“失败”“执行”。

我该怎么做，单词 dataframe 也包含类似的单词

“我”、“h”

哪些没有意义，必须删除，我不知道如何实现这一点。

给定一个英语单词列表，您可以通过查找列表中单词的每个可能的拆分来非常简单地完成此操作。我将使用我在单词列表中找到的第一个 Google 搜索结果，其中包含大约 70k 个小写单词：

wl <- read.table("http://www-personal.umich.edu/~jlawler/wordlist")$V1

check.word <- function(x, wl) {
  x <- tolower(x)
  nc <- nchar(x)
  parts <- sapply(1:(nc-1), function(y) c(substr(x, 1, y), substr(x, y+1, nc)))
  parts[,parts[1,] %in% wl & parts[2,] %in% wl]
}

这有时有效：

check.word("screenunable", wl)
# [1] "screen" "unable"
check.word("nowhere", wl)
#      [,1]    [,2]  
# [1,] "no"    "now" 
# [2,] "where" "here"

但有时当相关单词不在单词列表中时也会失败（在这种情况下“传感器”丢失）：

check.word("sensoradvise", wl)
#     
# [1,]
# [2,]
"sensor" %in% wl
# [1] FALSE
"advise" %in% wl
# [1] TRUE