我有大約 138,000 條用戶反饋記錄，我想對其進行分析，以了解用戶最常說的話的大致模式。每一個的評分都在 1-5 星之間，所以我不需要做任何類型的情感分析。我最感興趣的是將數據集分成 >=4 顆星，看看我們在哪些方面做得很好，以及 <= 3 顆星，看看我們需要改進哪些地方。我遇到的一個關鍵問題是我希望看到很多 n 元語法。其中一些我知道，比如“HOV 車道”、“拼車車道”、“繞道時間”、“讓開”等。但我也想以編程方式檢測常見的二元組和三元組。我一直在玩Spacy，但它似乎沒有任何能力在語料庫級別上進行分析，只能在文檔級別上進行分析。理想情況下，我的管道看起來像這樣（我認為）：將已知 n 元語法列表導入到分詞器中將每個字符串處理為標記化文檔，刪除標點符號、停用詞等，同時在標記化期間尊重已知的 n 元語法（即“HOV Lane”應該是單個名詞標記）找出我錯過的語料庫中最常見的二元組和三元組使用找到的 n 元模型重新標記按評級劃分（>=4 和 <=3）查找語料庫中每個數據分割的最常見主題我似乎找不到一個工具，甚至是一組工具，可以讓我在這里做我想做的事情。我是否以某種錯誤的方式處理這個問題？任何有關如何開始的指示將不勝感激！