文本是什么?
在自然语言处理问题中,我们可以讲文本当成是下述成分组成的序列(sequence
):
- 字
- 词语
- 句子
- 段落
- 文章
- …
本文主要以 词语 来举例。
token
什么是 token 呢?
- 可以将 token 认为是语义处理过程中的一个 有意义的单元;
- token 可以是 字, 词, 段落 等等。
tokenization
自然语言处理的第一步通常是 tokenization,即将 输入的文本(sequence
)转换为 token 的过程。
由于中文的表示与英文不同,英文中通常有空格来标识每一个单词,中文没有明确的标识,所以中文的分词比较复杂;
通常使用而言,一些常用的分词库已经可以满足大部分需求。
eg. 使用 jieba 将一段文本分词。
import jieba
seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))
'''
我/ 来到/ 北京/ 清华大学
'''
上述例子中的过程就是 tokenization 过程。
tokenization normalization
仅关注中文处理可以仅看概念
英文预处理过程中的第二步叫做 tokenization normalization
这个过程是指 将相同含义但是不同形式的词转换成同一个词(token
)
eg.
- wolf, wolves -> wolf
- talk, talks -> talk
通常有两种方式来实现这个过程:
- 词干提取(stemming)
- 词性还原(lemmatization)
因为我想主要集中在中文预处理,所以这两个过程就不叙述了,可以通过
nltk.stem.PorterStemmer
和nltk.stem.WordNetLemmatizer
来实现这两种方式。
标点符号
在将文本转化为 token 的过程中,标点符号 仅对阅读有用,而对 语义理解 没有太大作用。
eg.
- 我来到北京清华大学
- 我来到,北京清华大学。
上述两个句子的语义完全相同,而在 tokenization 过程中却得到两种不同的结果。所以在文本预处理过程中需要 去除标点符号。
停用词
和标点符号相似,在文本预处理过程中还需要去除之如“着”,“和”等一些 对语义理解帮助不大 的词,这些词就被称为 停用词。
常用 中文停用词下载地址 见文章末尾。
英文停用词可以直接用 nltk
提供的
import nltk
nltk.download('stopwords')
from nltk.corpus import stopwords
可以在停用词中加入标点符号,这样就可以统一两个过程。
总结
本文主要将了文本预处理中的几个概念:
- 文本的组成
- tokenization
- 标点符号和停用词
下一篇文章将继续讲解 文本向量化表示的方式(传统机器学习):
- BoW
- BoW + n-gram
- tf-idf
- word2vec
如何系统的去学习大模型LLM ?
大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业
?”“谁的饭碗又将不保了?
”等问题热议不断。
不如成为「掌握AI工具的技术人
」,毕竟AI时代,谁先尝试,谁就能占得先机!
但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高
针对所有自学遇到困难的同学们,我帮大家系统梳理大模型学习脉络,将这份 LLM大模型资料
分享出来:包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程
等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓
👉[CSDN大礼包🎁:全网最全《LLM大模型入门+进阶学习资源包》免费分享(安全链接,放心点击)]()👈