R中斯洛文语文本词干提取报错，SnowballC不支持，求解决方案

一、先修复stemDocument的调用错误 #

你的代码报错是因为tm_map用法有误，tm_map的第二个参数应传递函数本身，而非直接调用函数并传入corpus对象。正确写法应为：

pupils <- tm_map(pupils, stemDocument, language = "slovene")

但需注意：SnowballC包确实不支持斯洛文尼亚语，即便修正写法，该命令也无法正常运行。以下是针对斯洛文尼亚语的可行替代方案。

二、斯洛文尼亚语词干/词形还原的可行方案 #

方案1：使用udpipe包进行词形还原（推荐） #

udpipe支持多语言NLP处理，包含斯洛文尼亚语，可完成词形还原（比词干提取更精准，保留词汇基础形态），步骤如下：

1. 安装并加载udpipe包：

install.packages("udpipe")
library(udpipe)

2. 下载斯洛文尼亚语预训练模型：

udpipe_download_model(language = "slovenian")

3. 加载模型并处理corpus文本：

# 将corpus转换为数据框
corpus_df <- data.frame(text = sapply(pupils, as.character), stringsAsFactors = FALSE)

# 加载模型
model <- udpipe_load_model("slovenian-ud-2.5-191206.udpipe")

# 文本标注，获取词形还原结果
annotated <- udpipe_annotate(model, x = corpus_df$text)
annotated_df <- as.data.frame(annotated)

# 提取词形还原后的词汇，重新构建corpus
lemmatized_text <- aggregate(lemma ~ doc_id, data = annotated_df, paste, collapse = " ")
library(tm)
lemmatized_corpus <- VCorpus(VectorSource(lemmatized_text$lemma))

方案2：使用hunspell包进行词干处理 #

hunspell提供斯洛文尼亚语词典，可用于词干提取：

1. 安装并加载hunspell包：

install.packages("hunspell")
library(hunspell)

2. 下载斯洛文尼亚语词典（若未自动安装）：

hunspell_download("sl")

3. 自定义词干函数并应用到corpus：

# 定义斯洛文尼亚语词干处理函数
slovene_stem <- function(x) {
  words <- strsplit(x, "\\s+")[[1]]
  stems <- hunspell_stem(words, dict = dictionary("sl"))
  # 处理词干结果，有词干则取第一个，无则保留原词
  stems <- sapply(seq_along(stems), function(i) ifelse(length(stems[[i]]) > 0, stems[[i]][1], words[i]))
  paste(stems, collapse = " ")
}

# 用tm_map应用自定义函数
pupils_stemmed <- tm_map(pupils, content_transformer(slovene_stem))

内容的提问来源于stack exchange，提问作者Janez