深度学习——文本预处理

1.一篇文章可以看成一串单词序列,常见的解析文本的处理步骤:

①将文本为字符串加载到内存中

②将字符串拆分为词元(单词和字符)

③建立一个词表,将拆分的词元映射到数字索引

④将文本转换为数字索引序列,方便模型操作

2.1读取数据集

import collections
import re
from d2l import torch as d2l

读取数据集:将文本作为字符串加载到内存中

①将数据集读取到多条文本行组成的列表中,每条文本行是一个字符串

②忽略标点符号,去掉回车,所有字母变小写

③非字母的全部变成空格(有损操作,但后续操作变得简单)

# 读取数据集 由多条文本行组成的列表中
d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
                                '090b5e7e70c295757f55df93cb0a180b9691891a')


def read_time_machine():  # @save
    """将时间机器数据集加载到文本行的列表中"""
    with open(d2l.download('time_machine'), 'r') as f:
        lines = f.readlines()
    return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]  # 非字母变成空格

2.2将字符串拆分为词元(单词和字符)

将文本行列表lines作为输入,列表中的每个元素是一个文本序列(一条文本行)。每个文本行拆分成一个词元列表。最后返回由词元列表组成的列表,其中每个词元是一个字符串。

def tokenize(lines, token='word'):  #@save
    """将文本行拆分为单词或字符词元"""
    if token == 'word':
        return [line.split() for line in lines]
    elif token == 'char':
        return [list(line) for line in lines]
    else:
        print('错误:未知词元类型:' + token)

2.3建立词表,将拆分的词元映射到数字索引:将文本转换为数字索引,方便模型的操作 

①词元的类型是字符串,模型输入的是数字(模型训练使用的是tensor是基于下标的)。模型需要构建一个字典,叫做词汇表。用来将字符串类型的token映射到从0开始的数字索引中。

②将训练集所有的文档合并在一起,对它们唯一的词元进行统计,得到的统计结果是语料(corpus)

③根据唯一词元出现的频率,分配一个数字索引。出现少的词元会被移除,降低复杂性。min_freq,看作unknown

④语料库不存在或者已删除的任何词元都映射到

⑤保存词元,比如填充词元,序列开始词元,序列结束词元

# 词表 - 将token字符串类型的词元映射到从0开始的数字索引中
# 语料:将训练集中的所有文档合并在一起,对它们的唯一词元进行统计
class Vocab:  # @save
    """文本词表"""

    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        if tokens is None:
            tokens = []
        if reserved_tokens is None:
            reserved_tokens = []
        # 按出现频率排序
        counter = count_corpus(tokens)
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1],
                                   reverse=True)
        # 未知词元的索引为0
        self.idx_to_token = [''] + reserved_tokens
        self.token_to_idx = {token: idx
                             for idx, token in enumerate(self.idx_to_token)}
        for token, freq in self._token_freqs:
            if freq < min_freq:
                break
            if token not in self.token_to_idx:
                self.idx_to_token.append(token)
                self.token_to_idx[token] = len(self.idx_to_token) - 1

    def __len__(self):
        return len(self.idx_to_token)

    def __getitem__(self, tokens):
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)
        return [self.__getitem__(token) for token in tokens]

    def to_tokens(self, indices):
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        return [self.idx_to_token[index] for index in indices]

    @property
    def unk(self):  # 未知词元的索引为0
        return 0

    @property
    def token_freqs(self):
        return self._token_freqs


def count_corpus(tokens):
    """统计词元的频率"""
    # 这里的tokens是1D列表或2D列表
    if len(tokens) == 0 or isinstance(tokens[0], list):
        # 将词元列表展平成一个列表
        tokens = [token for line in tokens for token in line]
    return collections.Counter(tokens)

2.4整合所有功能

def load_corpus_time_machine(max_tokens=-1):
    '''返回数据集的索引列表和词汇表'''
    lines = read_time_machine()
    tokens = tokenize(lines, 'char')
    vocab = Vocab(tokens)
    corpus = [vocab[token] for line in tokens for token in line]
    if max_tokens > 0:
        corpus = corpus[:max_tokens]
    return corpus, vocab  # 字母数 字母类数

【总结】

  • 文本是序列数据的一种最常见的形式之一。

  • 为了对文本进行预处理,我们通常将文本拆分为词元,构建词表将词元字符串映射为数字索引,并将文本数据转换为词元索引以供模型操作。

你可能感兴趣的:(深度学习,人工智能)