自然语言处理-文本表示-one-hot-编码

1. 如何通过向量化的方式表示单词
   　①、采用独热编码的方式，对词汇进行编码
2. 如何表示句子
   　②、Boolean vector：先对句子进行分词，然后按照词典中的向量对句子中的词汇是否出现，进行编码。该方法的缺点：只记录了句子中的词汇是否出现，并没有记录词汇出现的次数，也没有考虑到一个单词的重要性。
   　③、Count vector：先对句子进行分词，然后按照字典中的向量对句子中的词汇出现次数进行编码。
   　④、TF-IDF向量表示：句子中并不是出现的越多的单词就越重要的。
   公式：tfidf(w) = tf(d, w) * idf(w)。
   前半部分: 在一个文档d中w出现的个数
   后半部分: N：语料库中的文档总数，语料库中包含多少个句子或多少个文本。N(w)，表示w单词在多少个文档中出现了。加log是为了减小单词之间的差异。
   **=>**假设一个单词在多个文档中都出现了，那么 log N/N(w)的分母就会变大，单词的重要性指标就会变小。例：有100个文档，其中100个文档都出现了"的"这个词， 10个文档出现了"古诗词"这个词。那么idf(w = “的”) = log(100/100), idf(w = “古诗词”) = log(100/10). 就能发现"古诗词"的重要性会比"的"的重要性要高一些。

count vector 代码如下：

# 导入词向量的包
from sklearn.feature_extraction.text import CountVectorizer

corpus = [
    "泽兰逢春茂盛芳馨，桂花遇秋皎洁清新。",
    "兰桂欣欣生机勃发，春秋自成佳节良辰。",
    "谁能领悟山中隐士，闻香深生仰慕之情？",
    "花卉流香原为天性，何求美人采撷扬名。"
]
corpus_2 = [
    "兰花到了春天枝叶茂盛，桂花遇秋天则皎洁清新。兰桂欣欣向荣生机勃发，所以春秋也成了佳节良辰。可是谁能领悟山中隐士，见到此情此景而产生的仰慕之情？花木流香原为天性，它们并不求美人采撷扬名。"
]

# 设置停用词，过滤掉标点符号
stop_words = ["，", "。", "？"]
# 创建分词列表集合
split_list = []
# 导入jieba分词，对语料库进行分词

import jieba

for i in range(len(corpus)):
    set_list = jieba.cut(corpus[i], cut_all=False)
    split_list = split_list + ",".join(set_list).split(",")

# split_list = 过滤掉标点符号
filtered_words = [word for word in split_list if word not in stop_words]

# 构建CountVectorizer对象
vectorizer = CountVectorizer()
# 生成文档的count vector
X = vectorizer.fit_transform(filtered_words)
# 打印词典库
print(vectorizer.get_feature_names())
# 打印每个文档的向量
print(X.toarray())

実行结果：
[‘之情’, ‘仰慕’, ‘何求’, ‘佳节’, ‘兰桂’, ‘原为’, ‘天性’, ‘山中’, ‘扬名’, ‘春秋’, ‘桂花’, ‘欣欣’, ‘泽兰’, ‘流香’, ‘深生’, ‘清新’, ‘生机勃发’, ‘皎洁’, ‘美人’, ‘自成’, ‘良辰’, ‘花卉’, ‘芳馨’, ‘茂盛’, ‘逢春’, ‘遇秋’, ‘采撷’, ‘闻香’, ‘隐士’, ‘领悟’]
[[0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0]
[0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1]
[0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0]
[0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]]