机器学习&&深度学习——文本预处理

‍作者简介：一位即将上大四，正专攻机器学习的保研er
上期文章：机器学习&&深度学习——序列模型（NLP启动！）
订阅专栏：机器学习&&深度学习
希望文章对你们有所帮助

里面的算法写起来也不难，但是对于算法小白来说还是要点时间，不过花点时间也能搞明白。

步骤

一篇文章可以被简单地看作一串单词序列，甚至是一串字符序列，我们将进行解析文本的预处理操作，步骤包括：
1、将文本作为字符串加载到内存中。
2、将字符串拆分为词元（如单词和字符）。
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。

import collections
import re
from d2l import torch as d2l

读取数据集

我们从《时光机器》这篇外国书中加载文本，只有几万多的单词。
下面的函数将数据集读取到由多条文本行组成的列表中，其中每条文本行都是一个字符串。（这边省略了标点符号和字母大写）

#@save
d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
                                '090b5e7e70c295757f55df93cb0a180b9691891a')
def read_time_machine():  #@save
    """将时间机器的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]

lines = read_time_machine()
print(f'# 文本总行数: {len(lines)}')
print(lines[0])
print(lines[10])

运行结果：

词元化

下面的tokenize函数将文本行列表（lines）作为输入。每个文本序列又被拆分成一个词元列表，词元（token）是文本的基本单位（可以分解为单词或字符）。
最后返回一个由词元列表组成的列表，其中的每个词元都是一个字符串（string）。

def tokenize(lines, token='word'):  #@save
    """将文本拆分为单词词元或字符词元"""
    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)


tokens = tokenize(lines)
for i in range(11):
    print(tokens[i])

运行结果：

[‘the’, ‘time’, ‘machine’, ‘by’, ‘h’, ‘g’, ‘wells’]
[]
[]
[]
[]
[‘i’]
[]
[]
[‘the’, ‘time’, ‘traveller’, ‘for’, ‘so’, ‘it’, ‘will’, ‘be’, ‘convenient’, ‘to’, ‘speak’, ‘of’, ‘him’]
[‘was’, ‘expounding’, ‘a’, ‘recondite’, ‘matter’, ‘to’, ‘us’, ‘his’, ‘grey’, ‘eyes’, ‘shone’, ‘and’]
[‘twinkled’, ‘and’, ‘his’, ‘usually’, ‘pale’, ‘face’, ‘was’, ‘flushed’, ‘and’, ‘animated’, ‘the’]

词表

模型更喜欢使用的输入不是字符串而是数字，因此我们构造一个字典就好了，这个字典就叫词表。
步骤如下：
1、将训练集中的文档合并在一起，对它们的唯一词元进行统计，得到的统计结果称为语料（corpus）
2、根据每个唯一词元的出现频率，为其分配数字索引（很少出现的词元可以被移除来降低复杂度）
3、不存在或者已删除的词元将映射到特定的位置词元
$$<unk>$$
4、我们就可以增加一个列表来保存那些被保留的词元，如：
$$\begin{gathered} <pad>：填充词元 \\ <bos>：序列开始词元 \\ <eos>：序列结束词元 \end{gathered}$$
具体代码如下：

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):  #@save
    """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]  # 提取每一行的每个词元，其实也就是一个双层循环
    # 返回一个可以用来计数的API
    return collections.Counter(tokens)

我们首先使用数据集作为语料库来构建词表，然后打印一下前几个高频词元以及他们的索引：

vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[:10])

输出结果：

现在，我们可以将每一条文本行转换成一个数字索引列表：

for i in [0, 10]:
    print('文本:', tokens[i])
    print('索引:', vocab.__getitem__(tokens[i]))

结果如下：

文本: [‘the’, ‘time’, ‘machine’, ‘by’, ‘h’, ‘g’, ‘wells’]
索引: [1, 19, 50, 40, 2183, 2184, 400]
文本: [‘twinkled’, ‘and’, ‘his’, ‘usually’, ‘pale’, ‘face’, ‘was’, ‘flushed’, ‘and’, ‘animated’, ‘the’]
索引: [2186, 3, 25, 1044, 362, 113, 7, 1421, 3, 1045, 1]

整合所有功能

在使用上述函数时，我们将所有功能打包到load_corpus_time_machine函数中，该函数返回corpus词元索引列表和vocab词表，我们在这边做出改变：
1、为了简化以后的村联，这里使用字符来实现词元化
2、数据集中的每个文本行不一定是一个句子或一个段落，还可能是一个单词，因此返回的corpus仅处理为单个列表，而不是使用多词元列表构成的一个列表。

from d2l import torch as d2l

def load_corpus_time_machine(max_tokens=-1):  #@save
    """返回《时光机器》数据集的词元索引列表和词表"""
    lines = d2l.read_time_machine()
    tokens = d2l.tokenize(lines, 'char')
    vocab = d2l.Vocab(tokens)
    # 数据集中的每个文本行不一定是一个句子或一个段落
    # 所以将所有文本行展平到一个列表中
    corpus = [vocab[token] for line in tokens for token in line]
    if max_tokens > 0:
        corpus = corpus[:max_tokens]
    return corpus, vocab

corpus, vocab = load_corpus_time_machine()
print(len(corpus), len(vocab))

运行结果：

170580 28

小结

1、文本是序列数据的一种最常见形式之一。
2、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。