应用场景:
•语音识别
•词性tagging,一个词在不同的语境中的词性
•命名实体识别
•情感分析
•文本生成
文本文档的数值表达:
1.独热编码
2.the integer-encoding is arbitrary
对训练无意义(不常用)
3.word embedding是有效的密集表示方式,此时相似的词其word embedding也相似。
numeric representation of text documents
bag of words
文档里面的词通过分词(包括去停用词),然后tokenize。词语去重,得到了vocabulary,vocabulary根据词频排序放在词袋中。
token:对特征词循环,若词出现在句子里面,就记句子对应的词在词频列表中的位置为1.
tokenization(词语切分、文档切句)
lexicon 词语规范化将单词的不同形式归一化为一个词根(同一个词的…ed,…ing归一)
lemmatization 任何形式的语言词汇还原为一般形式(good,better,best,都还原为good,主要用于英文文本处理)
spaCy:python开源库。将文本标记化为’doc’对象。
tokens=nlp(text),可以得到text,tag_,pos_等属性。
nltk:python开源库,词性标记和分词性能较好。