用tf的VocabularyProcessor创建词汇表vocab

原文

学习tf的时候用到的一个词汇创建工具，比较方便，记录其使用方法。

---

1. 导入

from tensorflow.contrib import learn

vp = learn.preprocessing.VocabularyProcessor(100, 0, tokenizer_fn=chinese_tokenizer)

其中VocabularyProcessor（max_document_length,min_frequency=0,vocabulary=None, tokenizer_fn=None)的构造函数中有4个参数

max_document_length是文档的最大长度。如果文本的长度大于最大长度，那么它会被剪切，反之则用0填充

min_frequency词频的最小值，出现次数>最小词频 的词才会被收录到词表中

vocabulary CategoricalVocabulary 对象，不太清楚使用方法
tokenizer_fn tokenizer function，讲句子或给定文本格式 token化得函数，可以理解为分词函数

2.token化

vp = learn.preprocessing.VocabularyProcessor(10, tokenizer_fn=list)
x = list(vp.fit_transform(["abc", "bbd"]))
print(x)

创建一个长为10的词表，然后将字符串token化得到结果为

 

也可以结合中文来做，当然tokenizer_fn要与文本相适应，可以实现自己的tokenizer function，如

from jieba import cut
from tensorflow.contrib import learn
import numpy as np

DOCUMENTS = [
    '这是一条测试1',
    '这是一条测试2',
    '这是一条测试3',
    '这是其他测试',
]


def chinese_tokenizer(docs):
    for doc in docs:
        yield list(cut(doc))


vocab = learn.preprocessing.VocabularyProcessor(10, 0, tokenizer_fn=chinese_tokenizer)
x = list(vocab.fit_transform(DOCUMENTS))
print(np.array(x))

这里中文引入了jieba分词，实现了自己的tokenizer函数，输出结果如下：

 

CategoricalVocabulary 对象可以先构建一个词典，再做token化，还是不太熟，但是有一个小demo可以示范：

vocab = learn.preprocessing.CategoricalVocabulary()
vocab.get("A")
vocab.get("B")
vocab.freeze()
vocab_processor = learn.preprocessing.VocabularyProcessor(max_document_length=4,
                                                          vocabulary=vocab,
                                                          tokenizer_fn=list)
tokens = vocab_processor.fit_transform(["ABC", "CBABAF"])
print(np.array(list(tokens)))

这里预先创建了一个词典，添加了"A","B" 进去，并且设置最大文本长度为4，结果如下

 

我们可以还可以观察得到的词典，以dict的形式输出 这是一个 词--->词表id的映射

vocab_dict = vocab.vocabulary_._mapping
print(vocab_dict)

分别输出以上的中文词表，和通过CategoricalVocabulary构建的词表如下

 

反向的索引 即 词表id--->词的映射 这是一个列表

print(vocab_dict)
print(vocab.vocabulary_._reverse_mapping)

可以通过id索引到词

vocab.vocabulary_.reverse(3)

输出 在词表中id为3的词

3.存储和加载

vocab.save('vocab.pickle')
vocab = VocabularyProcessor.restore('vocab.pickle')