自然语言处理入门——文本预处理

自然语言处理入门

• 内容大纲：
  • 文本预处理
  • 经典序列模型
  • RNN及其变体
  • Transformer
  • 迁移学习

文本预处理

认识文本预处理

• 作用：文本语料在输送给模型前一般需要一系列的预处理工作，才能符合模型输入要求，如将文本转换成模型需要的张量、规范张量的尺寸等。而且科学的文本预处理环节还将有效知道模型超参数的选择，提高模型的评估指标。

• 文本预处理中包含的主要环节：

  • 文本处理的基本方法
    • 分词
    • 词性标注
    • 命名实体识别
  • 文本张量表示方法
    • one-hot编码
    • Word2vec
    • Word Embedding
  • 文本语料的数据分析
    • 标签数量分布
    • 句子长度分布
    • 词频统计与关键词词云
  • 文本特征处理
    • 添加n-gram特征
    • 文本长度规范
  • 数据增强方法
    • 回译数据增强法

文本处理的基本方法

• 分词，指将连续的字序列按照一定的规范重新组合成词序列的过程。在英文的行文中，单词之间是以空格作为自然分界符的，而中文只是字、句和段能通过明显的分界符来简单划界，唯独词没有一个形式上的分界符, 分词过程就是找到这样分界符的过程。

  流行中文分词工具jieba

import jieba

content = '工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作'
# 精确切割模式
jieba.cut(content, cut_all = False)
print(jieba.lcut(content, cut_all = False))

['工信处', '女干事', '每月', '经过', '下属', '科室', '都', '要', '亲口', '交代', '24', '口', '交换机', '等', '技术性', '器件', '的', '安装', '工作']

• 精确切割模式就是将语句切割成我们最习惯的词。全模式分词将句子中所有的可以成词的词语都扫描出来，速度非常快但不能消除歧义。搜索引擎模式分词是在精确模式的基础上对长词再次切分，提高召回率，适合用于搜索引擎分词。

# 全模式分词
jieba.cut(content, cut_all = True)
print(jieba.lcut(content, cut_all = True))

#结果很“危险”，不予展示


# 搜索引擎模式
jieba.cut_for_search(content)
print(jieba.lcut_for_search(content))

['工信处', '干事', '女干事', '每月', '经过', '下属', '科室', '都', '要', '亲口', '交代', '24', '口', '交换', '换机', '交换机', '等', '技术', '技术性', '器件', '的', '安装', '工作']

• 使用用户自定义词典：
  • jieba会准确识别词典中的词汇，提高整体识别准确度。
  • 词典格式：每一行三部分，词语、词频（可省）、词性（可省），用空格隔开。
• 将下面词典存为userdict.txt，并加载使用：

print(jieba.lcut('八一双鹿更名为八一南昌篮球队！'))
jieba.load_userdict('./userdict.txt')
print(jieba.lcut('八一双鹿更名为八一南昌篮球队！'))

['八', '一双', '鹿', '更名', '为', '八一', '南昌', '篮球队', '！']
['八一双鹿', '更名', '为', '八一', '南昌', '篮球队', '！']

流行中英文分词工具hanlp

• 中英文NLP处理工具包，基于tensorflow2.0

词性标注

• 使用jieba进行中文实体标注

import jieba.posseg as pseg
print(pseg.lcut('我爱北京天安门'))

[pair('我', 'r'), pair('爱', 'v'), pair('北京', 'ns'), pair('天安门', 'ns')]

文本张量表示方法

• 文本张量表示方法：
  • one-hot编码
  • Word2vec
  • Word Embedding

one-hot编码

• 又称独热编码，将每个词表示成具有n个元素的向量。这个词向量中只有一个元素是1，其他元素都是0，不同词汇元素0的位置不同，其中n的大小是整个语料中不同词汇的总数。

# 导入用于对象保存和加载的joblib
import joblib
# 导入keras中词汇映射器Tokenizer
from tensorflow.keras.preprocessing.text import Tokenizer
# 假定vocab为语料集中所有不同词汇集合
vocab = {'李克勤', '李荣浩', '廖昌永', '汪峰'}
# 实例化一个词汇映射器对象
t = Tokenizer(num_words=None, char_level=False)
# 使用映射器拟合现有文本数据
t.fit_on_texts(vocab)

for token in vocab:
    zero_list = [0] * len(vocab)
    # 使用映射器转化现有文本数据，每个词汇对应从1开始的自然数
    # 返回样式如：[[2]]，取出其中的数字需要使用[0][0]
    token_index = t.texts_to_sequences([token])[0][0] - 1
    zero_list[token_index] = 1
    print(token, "的one-hot编码为：", zero_list)
    
# 使用joblib工具保存映射器，以便之后使用
tokenizer_path = './Tokenizer'
joblib.dump(t, tokenizer_path)


廖昌永 的one-hot编码为： [1, 0, 0, 0]
李克勤 的one-hot编码为： [0, 1, 0, 0]
汪峰 的one-hot编码为： [0, 0, 1, 0]
李荣浩 的one-hot编码为： [0, 0, 0, 1]

• 使用one-hot编码

t = joblib.load(tokenizer_path)
token = '李克勤'
# 从词汇映射器中得到其index
token_index = t.texts_to_sequences([token])[0][0] - 1
# 初始化一个全零向量
zero_list = [0] * 4
zero_list[token_index] = 1
print(token, '的one-hot编码为：', zero_list)


李克勤 的one-hot编码为： [0, 1, 0, 0]

• 使用one-hot编码的优劣势：
  • 优势：操作简单、容易理解
  • 劣势：完全割裂了词与词之间的联系，且在大语料集情况下，每个向量长度过大，占据大量内存。

word2vec编码

• 是一种流行的将词汇表示成向量的无监督训练方法，该过程将构建神经网络模型，将网络参数作为词汇的向量表示，它包含CBOW和skipgram两种训练模式

• CBOW（Continuous bag of words）模式：给定一段用于训练的文本预料，再选定某段长度（窗口）为研究对象，使用上下文词汇预测目标词汇。通俗来讲就是周围的词预测中间的词。

• skipgram模式：给定一段用于训练的文本语料，再选定某段长度（窗口）作为研究对象，使用目标词汇预测上下文词汇。skipgram模式和CBOW模式刚好反过来。

• 使用fasttext包中的无监督训练方法train_unsupervised('data\enwik9data')：

import fasttext
model = fasttext.train_unsupervised('data\enwik9data')


Read 124M words
Number of words:  218316
Number of labels: 0
Progress:   1.8% words/sec/thread:   11116 lr:  0.049106 loss:  1.586364 ETA:   2h10m

• 这些参数都是波动的，thread指线程数，lr指学习率，使用自适应的Adam优化器，loss指平均损失

• 模型超参数的设定：

  • 无监督训练模式：‘skipgram’或者’cbow’，默认为’skipgram’，在实践中，skipgram模式在利用子词方面比cbow更好
  • 词嵌入维度dim：默认为100，但随着语料库的增大，词嵌入的维度往往也需要增大
  • 数据循环次数epoch：默认为5，但当数据集足够大可能不需要那么多次。
  • 学习率lr：默认为0.05，根据经验建议选择[0.01, 1]范围内。
  • 使用的线程数thread：默认为12个线程，一般建议和CPU核数相同。

• 模型训练之后可以通过查找邻近词的方法来验证模型

print(model.get_nearest_neighbors('music'))
print(model.get_nearest_neighbors('sports'))
print(model.get_nearest_neighbors('dog'))

• 模型的保存和加载

# 使用svae_model保存模型
model.save_model('fil9.bin')

# 使用fasttext.load_model加载模型
model = fasttext.load_model('fil9.bin')
model.get_word_vector('the')

word embedding

• 通过一定方式将词汇映射到指定维度（一般是更高维度）的空间

• 广义的word embedding包括所有密集词汇向量的表示方法，如之前学习的word2vec，即可以认为是word embedding的一种

• 狭义的word embedding是指在神经网络中加入的embedding层，对整个网络进行训练的同时产生的embedding矩阵（embedding层的参数），这个embedding矩阵就是训练过程中所有输入词汇向量表示的矩阵。

• 通过使用tensorboard可视化嵌入的词向量

# 导入torch和tensorboard的摘要写入方法
import torch
import fileinput
from torch.utils.tensorboard import SummaryWriter

# 实例化一个摘要写入对象
writer = SummaryWriter()

# 随机初始化一个100×50的矩阵，认为他是我们已经得到的词嵌入矩阵
# 代表一百个词汇，每个词汇被表示成五十维的向量
embedded = torch.randn(100, 50)

# 导入事先准备好的100个中文词汇文件，形成meta列表原始词汇
meta = list(map(lambda x: x.strip(), fileinput.input('./vocab100.csv')))
writer.add_embedding(embedded, metadata = meta)
writer.close()

文本数据分析

• 文本数据分析能够有效帮助我们理解数据语料，快速检查出预料可能存在的问题，并指导之后模型训练过程中一些超参数的选择。
• 常用文本数据分析方法
  • 标签数量分布
  • 句子长度分布
  • 词频统计与关键词词云
• 利用真实的二分类中文情感分析语料：某酒店的客户评价。1代表积极评价，0代表消极评价。
• 获取标签数量分布:

# 使用二分类中文情感分析语料
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

# 设置显示风格
plt.style.use('fivethirtyeight')

# 分别读取训练tsv和验证tsv
train_data = pd.read_csv('./cn_data/train.tsv', sep='\t')
valid_data = pd.read_csv('./cn_data/dev.tsv', sep='\t')

# 获取训练数据标签数量分布
sns.countplot('label', data=train_data)
plt.title('train_data')
plt.show()

# 获取验证数据标签数量分布
sns.countplot('label', data=valid_data)
plt.title('valid_data')
plt.show()

• 在深度学习模型评估中，一般使用ACC作为评估指标，若想将ACC的基线定义在50%左右，则需要我们的正负样本比例维持在1:1左右，否则就要进行必要的数据增强或数据删减。上图中训练集和验证集正负样本都稍有不均衡，可以进行数据增强。

• 下面是句子长度分布代码

train_data['sentence_length'] = list(map(lambda x:len(x), train_data['sentence']))
sns.countplot('sentence_length', data=train_data)
plt.xticks([])
plt.show()

sns.distplot(train_data['sentence_length'])
plt.yticks([])
plt.show()

valid_data['sentence_length'] = list(map(lambda x:len(x), valid_data['sentence']))
sns.countplot('sentence_length', data=valid_data)
plt.xticks([])
plt.show()

sns.distplot(valid_data['sentence_length'])
plt.yticks([])
plt.show()

• 通过分析句子长度分布，可以得知语料中大部分句子长度的分布范围，因为模型的输入要求为固定尺寸的张量，合理的尺寸范围对之后进行句子截断补齐起到关键的指导性作用。

• 获取训练集和验证集的正负样本长度散点分布：

sns.stripplot(y = 'sentence_length', x='label', data=train_data)
plt.show()

sns.stripplot(y = 'sentence_length', x='label', data=valid_data)
plt.show()

• 获得训练集与验证集不同词汇总数的统计：

import jieba
from itertools import chain # 用于扁平化列表

# 进行训练集的句子进行分词，并统计出不同词汇总数
train_vocab = set(chain(*map(lambda x:jieba.lcut(x), train_data['sentence'])))
print('训练集共包含不同词汇总数为：', len(train_vocab))

valid_vocab = set(chain(*map(lambda x:jieba.lcut(x), valid_data['sentence'])))
print('验证集共包含不同词汇总数为：', len(valid_vocab))


训练集共包含不同词汇总数为： 12162
验证集共包含不同词汇总数为： 6857

• 获得训练集上正负样本的高频形容词词云：

# 使用jieba词性标注功能
import jieba.posseg as pseg
from itertools import chain

def get_a_list(text):
    # 获取形容词列表
    r = []
    for g in pseg.lcut(text):
        if g.flag =='a':
            r.append(g.word)
    return r

# 导入绘制词云的工具包
from wordcloud import WordCloud

def get_word_cloud(keywords_list):
    # 实例化绘制词云的类
    wordcloud = WordCloud(font_path='SimHei.ttf', max_words = 100, background_color='white')
    keywords_string = ' '.join(keywords_list)
    # 生成词云
    wordcloud.generate(keywords_string)
    
    # 绘制图像并显示
    plt.figure()
    plt.imshow(wordcloud, interpolation='bilinear')
    plt.axis('off')
    plt.show()
    
# 获取正样本
p_train_data = train_data[train_data['label'] == 1]['sentence']
# 获取形容词
train_p_a_vocab = chain(*map(lambda x: get_a_list(x), p_train_data))
n_train_data = train_data[train_data['label'] == 0]['sentence']
train_n_a_vocab = chain(*map(lambda x: get_a_list(x), n_train_data))

# 绘制词云
get_word_cloud(train_p_a_vocab)    
get_word_cloud(train_n_a_vocab)

文本特征处理

• 文本特征处理包括为语料添加具有普适性的文本特征，如n-gram特征，以及对加入特征之后的文本语料进行必要的处理，如：长度规范。这些特征处理工作能够有效的将重要的文本特征加入模型训练中，增强模型评估指标。
• 常见的文本特征处理方法：
  • 添加n-gram特征
  • 文本长度规范

添加n-gram特征

• 给定一段文本序列，其中n个词或字的相邻共现特征既n-gram特征，常用n-gram特征是bi-gram特征和tri-gram特征，分别对应n为2和3。

# 一般n-gram中n取2或3，这里以2为例
ngram_range = 2

def create_ngram_set(input_list):
    return set(zip(*[input_list[i:] for i in range(ngram_range)]))

input_list = [1, 3, 2, 1, 5, 3]
res = create_ngram_set(input_list=input_list)
print(res)



{(3, 2), (1, 3), (2, 1), (1, 5), (5, 3)}

文本长度规范及其作用

• 一般模型的输入需要等尺寸大小的矩阵，因此进入模型前需要对每条文本数值映射后的长度进行规范，此时将根据句子长度分布分析出覆盖绝大多数文本的合理长度，对超长文本进行截断，对不足文本进行补齐（一般使用数字0）。

from tensorflow.keras.preprocessing import sequence

# cutlen根据数据分析中句子长度分布，覆盖90%左右语料的最短长度
# 在这里假定为10
cutlen = 10

def padding(x_train):
    return sequence.pad_sequences(x_train, cutlen)

# 假定x_train里有两条文本，一条长度大于10，一条小于10
x_train = [[1, 23, 5, 32, 55, 63, 2, 21, 78, 32, 23, 1],
           [2, 32, 1, 23, 1]]
print(padding(x_train))


[[ 5 32 55 63  2 21 78 32 23  1]
 [ 0  0  0  0  0  2 32  1 23  1]]

文本数据增强

• 常用文本数据增强方法：回译数据增强法。是目前文本数据增强方面效果较好的增强方法，一般基于google翻译接口，将文本数据翻译成另一种语言（一般选择小语种）再翻译回源语言，即可认为得到与原语料同标签的新语料，新语料的加入到原数据集中即可认为是对原数据集数据增强。
• 优势：操作简便，获得新语料质量高
• 劣势：短文本回译过程中新语料和原语料可能存在很高重复率，并不能有效增大样本特征空间。
• 高重复率解决办法：进行连续的多语言翻译，例如中-韩-日-英-中，最多只采用3次连续翻译，否则将导致效率低下，语义失真等问题。

# 假设取两条已存在的正样本、负样本
p1 = '这家酒店设施非常不错'
p2 = '这家价格很便宜'
n1 = '拖鞋都发霉了，太差了'
n2 = '电视不好用，没有看到足球'

from google_trans_new import google_translator
translator = google_translator()
# 进行一次批量翻译，目标是泰语
translations = translator.translate([p1, p2, n1, n2], lang_tgt='th')

# 打进结果
print('中间翻译结果： ')
print(translations)

# 再翻译成中文
translations = translator.translate(translations, lang_tgt='zh-cn')
print('回译得到的增强数据： ')
print(translations)


中间翻译结果： 
['โรงแรมนี้มี บริษัท ที่ดีมาก', 'ราคานี้ราคาถูกมาก', 'รองเท้าแตะเป็นราที่เลวร้ายเกินไป', 'ทีวีไม่ใช่เรื่องง่ายไม่เห็นฟุตบอล '] 
回译得到的增强数据： 
[这家酒店有一个非常好的公司'，'这个价格很便宜'，'拖鞋太糟糕了', '电视不容易，看不到足球']