NLP数据预处理

本文介绍了自然语言处理中预处理的重要步骤,包括构建词库、处理未知词汇,并以一个处理文本的类为例进行详细说明。
摘要由CSDN通过智能技术生成

前言

文本的常见格式是txt,我们需要把txt文件中的每一句话中的每一个单词提取出来建立词库。通常,建立三个字典:word->index, index->word, word->frequency.
此外,由于将来处理文本时会遇到不在词库中的单词,所以添加<unk>, <pad>, <EOS>, <BOS>等特殊词。


以下内容以建立一个处理文本的类为例。


from collections import defaultdict

UNK_TOKEN = '<unk>'
PAD_TOKEN = '<pad>'
BOS_TOKEN = '<s>'
EOS_TOKEN = '</s>'
DEFAULT_UNK_ID = lambda: 0


class Vocabulary:
	def __init__(self,file=None):
	'''
	file:预处理文件的路径
	'''
		#定义特殊字符
		self.specials = [UNK_TOKEN, PAD_TOKEN, BOS_TOKEN, EOS_TOKEN] 
		#初始化字典 word->index
		self.stoi = defaultdict(DEFAULT_UNK_ID)
		self.itos 
  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值