使用tm包创建的自定义语料库无法编辑元数据，求原因解析

我通过以下代码创建语料库：

library(jsonlite)
library(tm)

query = "https://www.ebi.ac.uk/ebisearch/ws/rest/pride?query=submitter_country:Norway&size=1000&fields=submitter_keywords&format=json"
datasets.raw <- fromJSON(query, flatten = TRUE, simplifyDataFrame = TRUE)

datasets.df <- datasets.raw$entries
keywords.corp <- Corpus(VectorSource(datasets.df$fields.submitter_keywords))

尝试为语料库添加自定义元数据时，赋值操作没有生效：

meta(keywords.corp[[1]], "description") <- "hello"
meta(keywords.corp[[1]], "description")
# 输出：character(0)

但使用内置的crude示例数据时，自定义元数据可以正常设置：

data("crude")
meta(crude[[1]], "description") <- "hello"
meta(crude[[1]], "description")
# 输出：[1] "hello"

这是什么原因？

核心差异在于语料库的文档类型和元数据初始化方式：

• 用VectorSource创建的语料库，每个文档是**PlainTextDocument对象**，默认只包含author、datetimestamp、language等基础元数据字段，没有预定义自定义字段的存储结构。直接赋值自定义元数据时，系统无法识别该字段，导致赋值失败。
• 内置的crude语料库属于**VCorpus类型**，其文档对象在创建时已经初始化了完整的元数据框架，支持动态添加自定义字段。

你可以通过两种方式解决这个问题：

方式1：提前初始化自定义元数据字段 #

遍历语料库中的每个文档，先为自定义字段分配初始值，之后就能正常赋值：

# 遍历所有文档，初始化description字段
for (i in seq_along(keywords.corp)) {
  meta(keywords.corp[[i]], "description") <- ""
}

# 现在可以正常设置元数据
meta(keywords.corp[[1]], "description") <- "hello"
meta(keywords.corp[[1]], "description")
# 输出：[1] "hello"

方式2：手动构建带元数据的文档后创建语料库 #

在创建文档时就初始化自定义元数据字段，再构建VCorpus：

# 将每个关键词文本转换为带初始化元数据的PlainTextDocument
doc_list <- lapply(datasets.df$fields.submitter_keywords, function(txt) {
  doc <- PlainTextDocument(txt)
  meta(doc, "description") <- ""  # 提前初始化自定义字段
  doc
})

# 基于文档列表创建VCorpus
keywords.corp <- VCorpus(VectorSource(doc_list))

# 测试赋值
meta(keywords.corp[[1]], "description") <- "hello"
meta(keywords.corp[[1]], "description")
# 输出：[1] "hello"

内容的提问来源于stack exchange，提问作者Illimar Rekand