自然语言处理的四大基本任务
文本分类、文本匹配、序列标注、文本生成
1、文本分类
- 新闻分类:娱乐、财经、军事、科技……
- 垃圾邮件识别:spam
- 情感分析:好评,中评、差评
- 意图识别:定座位、拒绝
2、文本匹配
- query-doc搜索
- 商品检索
- QA系统
- 个性化推荐
- 智能客服
- 声纹识别
3、序列标注
- 分词
- 词性标注
- 命名实体识别
- 关系抽取
- 时间抽取
- 句法分析
- 辞职边界检测
- 语音识别
4、文本生成
- 文本到文本的生成:机器翻译,文本摘要,古诗生成,智能对话
- 数据到文本的生成:自动撰写
- 图像到文本的生成:基于图像问答,看图说话
NLP处理流程
1、 获取语料
一般通过已有数据、公开数据集、爬虫等方式获取
2、 数据预处理
- 语料清洗:保留有用的数据,删除噪音数据,常见对的清洗方式有:人工去重、对齐、删除、标准等。
- 分词:将文本分词词语,比如通过基于规则的或基于统计的分词方法进行分词。
- 词性标注:给词语标上词类标签,比如名词、动词、形容词等,常用的词性标注方法欧基于规则的和基于统计的算法。
- 去停用词:去掉对文本特征没有任何贡献作用的字词。
3、 特征工程
将分词结果转换为向量,常用的模型有
- 词袋模型(Bag of Word),如 TF-IDF算法
- 静态词向量,如 word2vec、fasttext、 glove
- 动态词向量, 如elmo 、 gpt、bert、 xlnet等
4、特征选择
这一步的特征选择是基于特征工程得到的特征,选择合适的,表达能力强的特征,常见的特征选择方法有:DF、MI、IG、WFO等。
5、模型选择
- 基于统计的学习模型:TFIDF、HMN、MEMM、CRF
- 基于机器学习的模型:KNN、SVM、Naive Bayes、决策树、k-means等
- 基于深度学习的模型:LSTM、Seq2seq,FastText、TextRNN、TextCNN、TextRCNN等
6、模型训练
训练模型并调整模型。
7、模型评估
错误率、精确度、准确率、召回率、F1值、ROC曲线、BLEU
8、投产上线
一种是线下训练模型,然后将模型进行线上部署提供服务;;另一种是在线训练模型,训练模型完成后将模型pickle持久化,提供对外服务。
文本分类方法将整个文本分类问题就拆分成了特征工程和分类器两部分。特征工程分为文本预处理、特征提取、文本表示三个部分,最终目的是把文本转换成计算机可理解的格式,并封装足够用于分类的信息,即很强的特征表达能力:
未登录词
即未出现在算法使用的词典中的词,比如不常见的专业金融术语等。