问题 在R中查找ngrams并在语料库中比较ngrams

我正在开始使用R中的tm软件包，所以请耐心等待，并为大文本墙做道歉。我创造了一个相当大的社会主义/共产主义宣传语料库，并希望提取新创造的政治术语（多个词，例如“斗争 - 批评 - 转型运动”）。

这是一个两步的问题，一个关于我的代码到目前为止，一个关于我应该如何继续。

步骤1： 为此，我想首先确定一些常见的ngram。但是我很早就陷入了困境。这是我一直在做的事情：

library(tm)
library(RWeka)

a  <-Corpus(DirSource("/mycorpora/1965"), readerControl = list(language="lat")) # that dir is full of txt files
summary(a)  
a <- tm_map(a, removeNumbers)
a <- tm_map(a, removePunctuation)
a <- tm_map(a , stripWhitespace)
a <- tm_map(a, tolower)
a <- tm_map(a, removeWords, stopwords("english")) 
a <- tm_map(a, stemDocument, language = "english") 
# everything works fine so far, so I start playing around with what I have
adtm <-DocumentTermMatrix(a) 
adtm <- removeSparseTerms(adtm, 0.75)

inspect(adtm) 

findFreqTerms(adtm, lowfreq=10) # find terms with a frequency higher than 10

findAssocs(adtm, "usa",.5) # just looking for some associations  
findAssocs(adtm, "china",.5)

# ... and so on, and so forth, all of this works fine

我加载到R中的语料库可以很好地处理我投入的大多数函数。从我的语料库创建TDM，找到频繁的单词，关联，创建单词云等等，我没有遇到任何问题。但是当我尝试使用中提到的方法来识别ngrams时 常见问题，我显然在使用tdm构造函数时犯了一些错误：

# Trigram

TrigramTokenizer <- function(x) NGramTokenizer(x, 
                                Weka_control(min = 3, max = 3))

tdm <- TermDocumentMatrix(a, control = list(tokenize = TrigramTokenizer))

inspect(tdm)

我收到此错误消息：

Error in rep(seq_along(x), sapply(tflist, length)) : 
invalid 'times' argument
In addition: Warning message:
In is.na(x) : is.na() applied to non-(list or vector) of type 'NULL'

有任何想法吗？ “a”不是正确的类/对象吗？我很困惑。我认为这里有一个根本性的错误，但我没有看到它。 :(

第2步： 然后，当我将语料库与其他语料库进行比较时，我想确定明显过多的ngrams。例如，我可以将我的语料库与大型标准英语语料库进行比较。或者我创建可以相互比较的子集（例如苏联与中国共产党的术语）。你对我这样做有什么建议吗？我应该研究哪些脚本/函数？只是一些想法或指针会很棒。

谢谢你的耐心！