nlp基础-文本预处理及循环神经网络

1 认识文本预处理

1 文本预处理及其作用
- 定义：文本送给模型之前，提前要做的工作
- 作用：指导模型超参数的选择、提升模型的评估指标
- 举个例子：
  - 思路常识，打造成 X Y
  - 关于Y：10分类标签是否均衡
  - 关于X：数据有没有脏数据数据长度（512）样本不够！
- 文本预处理工作结束的标志：准备出来X和Y 能送给模型
2 文本预处理的主要环节
- 1 文本处理的基本方法
  - 分词：按照一定规则对文本重新划分，进行分词
  - 词性标注：把文本序列标注出来动词、名词、形容词这个过程词性标注
  - 命名实体识别：把专有名词（人名、地名、机构名）给识别出来。
    - 比如：对话系统要进行命名实体识别，对语义进理解。
- 2 文本张量表示方法：就是把我们的单词转成数值化的数据张三【88，87, 86 ,85, 84】文本数值化、数值张量化
  - one-hot编码： low 稀疏词向量表示
  - Word2vec：稠密词向量表示
  - Word Embedding：稠密词向量表示
- 3 文本语料的数据分析：就是对数据的x y进行分析
  - 标签数量分布：对y：十分类：类别是不是均衡
  - 句子长度分布：对x：文本长度有的是100个长度，有的是200，
  - 词频统计与关键词词云：形容词词云
- 4 文本特征处理：我爱北京天安门
  - 添加n-gram特征【101,102,103,104，105】：105代表【北京天安门】相邻共现，可以作为一个新的特征加入到文本序列中；增强模型对文本序列特征抽取
  - 文本长度规范：有些模型送入的数据长度不能超过512
- 5 数据增强方法：数据不够，看如何增加语料
  - 1 回译数据增强法：中文–>韩语 -->葡萄牙–>中文，新增了一条样本
3 思考题，文本处理的主要环节中，哪一些环节是第一个要做的？
- 一般情况，文本语料的数据分析是程序员首先要做的工作。

2 文本处理的基本方法

分词定义和作用:
- 定义: 将连续字符按照一定规则重新排序的过程
- 作用: 理解语义的最小单元！
- 为什么要分词：中文没有明显的分解符英文天然空格是分解符
  - 对中文分词来讲：不断寻找分解符的过程
流行分词工具jieba
- 支持多种分词模式（三种模式）
  - 精确模式：
  - 全模式：
  - 搜索引擎模式：
- 支持中文繁体分词
- 支持用户自定义词典
  - 自定义字典的格式

结巴分词编程api

三种模式

jieba.lcut(content, cut_all=False) 精确模式
jieba.lcut(content, cut_all=True) 全模式
jieba.cut_for_search(content) 搜素引擎模式

中文繁体分词
- jieba.lcut(content, cut_all=False) 精确模式

用户自定义词典

jieba.load_userdict('./userdict.txt')
mydata2 = jieba.lcut(sentence)

什么是命名实体识别 (NER)
- 命名实体：指人名地名机构名等专有名字
- 命名实体识别：对一句话中的专有名词进行识别(NER - Named Entity Recognition)
词性标注
- 词性定义：动词名词形容词
- 词性标注定义：对文本先分词，然后再标注词性
  - 词向标注也是对此的一种分类方法
    - 单词级别的分类

3 文本张量表示方法

什么是文本张量表示
- 定义：
  - 把词表示成向量的的形式，也就是词向量，一句话表示成词向量矩阵。这个过程就是文本张量表示。
- 作用：
  - 方便输入到计算机中
- 文本张量的表示方法：三种
  - one-hot
  - word2vec
  - wordenbedding

什么是one-hot词向量表示

定义: 有一个位置是1 其他全部是零

编程api

mytokenizer.fit_on_texts(vocabs) # 生成两个表 word2idx idx2word  
zero_list = [0] * len(vocabs)
zero_list[idx] = 1
joblib.dump(mytokenizer, './mytokenizer')
mytokenizer = joblib.load('./mytokenizer')
# oov单词问题

one-hot编码的优劣势：
- 优点: 简单
- 缺点: 割裂了词和词之间的关系浪费空间、内存
  - 稀疏词向量表示

什么是word2vec
- word2vec概念
  - 1 也是一种词向量的表示方法（把词表示成向量；一句话表示成向量矩阵）
  - 2 使用深度学习的方法也就是使用深度学习网络的方法
    - 使用深度学习网络的参数来表示词向量
    - 深度学习网络（模型）入门的重要点：区分数据和参数
    - word2vec的思想使用：深度神经网络的参数来充当词向量
- CBOW(Continuous bag of words)模式:
- skipgram词向量训练模型

使用fasttext工具实现word2vec的训练和使用

第一步: 获取训练数据

wikifil.pl 文件处理脚本来清除XML/HTML格式的内容
1. 下载语料库, wget -http://mattmahoney.net/dc/enwik9.zip
2. 解压语料库, unzip enwik9.zip
3. 处理语料库, perl wikifil.pl enwik9 > fil9
4. head -n enwik9 查看多少行
5. head -c 200 fil9_3 查看前200个单词

第二步: 训练词向量

词向量安装

源码安装

import fasttext
model = fasttext.train_unsupervised('data/fil9')
model.get_word_vector("the")  # 获取词向量
如何查看fasttext源码安装的路径
pip freeze | grep fasttext
> fasttext @ file:///Users/bombing/.virtualenvs/nlp-py37-env/fastText
# 思考题:获取词向量的流程?
# 思考题:是无监督学习吗?

第三步: 模型超参数设定
- dim: 默认为100
- epoch: 默认为5
- 学习率lr: 默认为0.05,
- thread: 默认为12个线程
第四步: 模型效果检验
- model.get_nearest_neighbors(‘music’)
第五步: 模型的保存与重加载
- mymodel.save_model(“./data/fil9.bin”)
- mymodel = fasttext.load_model(‘./data/fil9.bin’)

word embedding(词嵌入)
- 广义的word embedding: 用深度神经网络来训练我们的词向量
  - 神经网络是浅层 – word2vec
  - 大型-----wordembedding
- 狭义的word embedding
  - 神经网络的某一个层 nn.Eembedding