Как создать матрицу терминов документа в text2vector только из сохраненного списка слов

Вы можете создать матрицу терминов документа только из определенного набора функций:

v = create_vocabulary(c("word1", "word2"))
vectorizer = vocab_vectorizer(v)
dtm_test = create_dtm(it, vectorizer)

Однако я не рекомендую 1) использовать случайный лес для таких разреженных данных - это не сработает хорошо 2) выполнять выбор функций так, как вы описали - вы, вероятно, переобучитесь.

Мне нужно создать матрицы документов терминов с точно такими же столбцами, как в dtm, на котором я запускаю моделирование, иначе я не могу использовать модель случайного леса для новых документов.

В Quanteda вы можете установить характеристики тестового набора, идентичные тренировочному набору, используя dfm_select(). Например, чтобы dfm1 ниже имел те же функции, что и dfm2:

txts <- c("a b c d", "a a b b", "b c c d e f")

(dfm1 <- dfm(txts[1:2]))
## Document-feature matrix of: 2 documents, 4 features (25% sparse).
## 2 x 4 sparse Matrix of class "dfmSparse"
##        features
## docs    a b c d
##   text1 1 1 1 1
##   text2 2 2 0 0
(dfm2 <- dfm(txts[2:3]))
## Document-feature matrix of: 2 documents, 6 features (41.7% sparse).
## 2 x 6 sparse Matrix of class "dfmSparse"
##        features
## docs    a b c d e f
##   text1 2 2 0 0 0 0
##   text2 0 1 2 1 1 1

dfm_select(dfm1, dfm2, valuetype = "fixed", verbose = TRUE)
## kept 4 features, padded 2 features
## Document-feature matrix of: 2 documents, 6 features (50% sparse).
## 2 x 6 sparse Matrix of class "dfmSparse"
##        features
## docs    a b c d e f
##   text1 1 1 1 1 0 0
##   text2 2 2 0 0 0 0

Однако для матриц контекста объекта (что text2vec требуется для ввода) это не сработает, потому что совпадения (по крайней мере, те, которые вычисляются с помощью окна, а не контекста документа) взаимозависимы между объектами, поэтому вы не можете просто добавлять и удалять их таким же образом.