动手学深度学习之自然语言处理（NLP）

动手学深度学习之自然语言处理（NLP）

1、文本预处理

具体步骤：

1. 读入文本
2. 分词
3. 建立字典，为每个词建立索引
4. 将文本从词的序列转换为索引的序列，方便输入模型

1.1分词代码实现：python+pytorch

import collections  #collections是python内建的集合模块，提供了许多有用的集合
import re           #python正则表达式
#读入文本，返回文本的行数
def read_time_machine():
    with open('/home/kesci/input/timemachine7163/timemachine.txt', 'r') as f:  #创建文件类型f
        lines = [re.sub('[^a-z]+', ' ', line.strip().lower()) for line in f]
   #strip()函数去掉空格、换行符等    
   #lower:大写->小写
   #使用正则表达式把非小写字母替换成空格
    return lines


lines = read_time_machine()
print('# sentences %d' % len(lines))

#分词
#sentences:句子
#token:flag

def tokenize(sentences, token='word'):
    """Split sentences into word or char tokens"""
    if token == 'word':
        return [sentence.split(' ') for sentence in sentences]
    elif token == 'char':
        return [list(sentence) for sentence in sentences]
    else:
        print('ERROR: unkown token type '+token)

tokens = tokenize(lines)
tokens[0:2]

#建立字典
class Vocab(object):
    def __init__(self, tokens, min_freq=0, use_special_tokens=False):
        counter = count_corpus(tokens)  # : <词，词频>
        self.token_freqs = list(counter.items())
        self.idx_to_token = []
        if use_special_tokens:
            # padding, begin of sentence, end of sentence, unknown
            self.pad, self.bos, self.eos, self.unk = (0, 1, 2, 3)
            self.idx_to_token += ['', '', '', '']
        else:
            self.unk = 0
            self.idx_to_token += ['']
        self.idx_to_token += [token for token, freq in self.token_freqs
                        if freq >= min_freq and token not in self.idx_to_token]
        self.token_to_idx = dict()
        for idx, token in enumerate(self.idx_to_token):
            self.token_to_idx[token] = idx
    #成员函数返回token的长度
    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]

def count_corpus(sentences):
    tokens = [tk for st in sentences for tk in st]
    return collections.Counter(tokens)  # 返回一个字典，记录每个词的出现次数

vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[0:10])

#将词转换为索引
for i in range(8, 10):
    print('words:', tokens[i])   #打印词
    print('indices:', vocab[tokens[i]])#打印索引

1.2 分词工具【spaCy和NLTK】

上诉分词的缺点：

• 标点符号可以提供语义，直接去掉了

• shouldn‘t,"Mr."被错误地处理

text = "Mr. Chen doesn't agree with my suggestion."
#spacy
import spacy
nlp = spacy.load('en_core_web_sm')
doc = nlp(text)
print([token.text for token in doc])
#NLTK
from nltk.tokenize import word_tokenize
from nltk import data
data.path.append('/home/kesci/input/nltk_data3784/nltk_data')
print(word_tokenize(text))

2、语义模型

语言模型的目标：评估序列是否合理，即计算该序列的概率

语言模型：

1. 基于统计的语言模型（n元语法）
2. 基于神经网络的语言模型

需要的数学知识：条件概率；马尔可夫假设

马尔科夫假设是指一个词的出现只与前面$n$个词相关，即$n$阶马尔可夫链（Markov chain of order $n$），如果$n=1$，那么有$P(w_3\mid w_1,w_2)=P(w_3\mid w_2)$。基于$n-1$阶马尔可夫链，我们可以将语言模型改写为
$$P(w_1,w_2,\dots ,w_{}$$