4.1 文本预处理

文本预处理

1.1 认识文本预处理

---

• 学习目标:
  • 了解什么是文本预处理及其作用.
  • 了解文本预处理中包含的主要环节.

---

• 文本预处理及其作用:
  • 文本语料在输送给模型前一般需要一系列的预处理工作, 才能符合模型输入的要求, 如: 将文本转化成模型需要的张量, 规范张量的尺寸等, 而且科学的文本预处理环节还将有效指导模型超参数的选择, 提升模型的评估指标.

---

• 文本预处理中包含的主要环节:
  • 文本处理的基本方法
  • 文本张量表示方法
  • 文本语料的数据分析
  • 文本特征处理
  • 数据增强方法

---

• 文本处理的基本方法:
  • 分词
  • 词性标注
  • 命名实体识别

---

• 文本张量表示方法:
  • one-hot编码
  • Word2vec
  • Word Embedding

---

• 文本语料的数据分析:
  • 标签数量分布
  • 句子长度分布
  • 词频统计与关键词词云

---

• 文本特征处理:
  • 添加n-gram特征
  • 文本长度规范

---

• 数据增强方法:
  • 回译数据增强法

---

• 重要说明:
  • 在实际生产应用中, 我们最常使用的两种语言是中文和英文, 因此, 文本预处理部分的内容都将针对这两种语言进行讲解.

1.2 文本处理的基本方法

---

• 学习目标:
  • 了解什么是分词, 词性标注, 命名实体识别及其它们的作用.
  • 掌握分词, 词性标注, 命名实体识别流行工具的使用方法.

---

• 什么是分词:
  • 分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。我们知道，在英文的行文中，单词之间是以空格作为自然分界符的，而中文只是字、句和段能通过明显的分界符来简单划界，唯独词没有一个形式上的分界符, 分词过程就是找到这样分界符的过程.

---

• 举个栗子:

工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作

 

==>

 

['工信处', '女干事', '每月', '经过', '下属', '科室', '都', '要', '亲口', '交代', '24', '口', '交换机', '等', '技术性', '器件', '的', '安装', '工作']

---