DL notes 03：机器翻译(MT)/NLP 基础知识

一、机器翻译

机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。

1.1 数据预处理和清洗

将数据集清洗、转化为神经网络的输入minbatch,这是任何一个神经网络应用的首要步骤。
字符在计算机里是以编码的形式存在，我们通常所用的空格是 \x20 ，是在标准ASCII可见字符 0x20~0x7e 范围内。 而 \xa0 属于 latin1 （ISO/IEC_8859-1）中的扩展字符集字符，代表不间断空白符nbsp(non-breaking space)，超出gbk编码范围，是需要去除的特殊字符。再数据预处理的过程中，我们首先需要对数据进行清洗。

def preprocess_raw(text):
    text = text.replace('\u202f', ' ').replace('\xa0', ' ')
    out = ''
    for i, char in enumerate(text.lower()):
        if char in (',', '!', '.') and i > 0 and text[i-1] != ' ':
            out += ' '
        out += char
    return out

1.2 文本预处理

1.2.1 分词

字符串—单词组成的列表，属于文本预处理环节的一步。我们对每个句子进行分词，也就是将一个句子划分成若干个词（token），转换为一个词的序列。同样已经有很多工具可以直接用于分词。
用现有工具进行分词
我们前面介绍的分词方式非常简单，它至少有以下几个缺点:

1. 标点符号通常可以提供语义信息，但是我们的方法直接将其丢弃了
2. 类似“shouldn’t", "doesn’t"这样的词会被错误地处理
3. 类似"Mr.", "Dr."这样的词会被错误地处理

我们可以通过引入更复杂的规则来解决这些问题，但是事实上，有一些现有的工具可以很好地进行分词，我们在这里简单介绍其中的两个：spaCy和NLTK。
举例如下：

# 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))

1.2.2 建立字典

为了方便模型处理，我们需要将字符串转换为数字。因此我们需要先构建一个字典（vocabulary），将每个词映射到一个唯一的索引编号。建立字典的过程会得到如下信息：

1. 去重后词典，及其中单词对应的索引列表
2. 还可以得到给定索引找到其对应的单词的列表，以及给定单词得到对应索引的字典。
3. 原始语料所有词对应的词典索引的列表

注意:在构建字典时我们要对每个句子的开头，结尾，以及未知词汇特设元素对应。另外我们数据集中的句子并非对齐的，我们也要设置padding特殊词来对短句子进行补全长度。同样对于过长的句子我们也要进行截断操作，节省计算开支。

class Vocab(object):
    def __init__(self, tokens, min_freq=0, use_special_tokens=False):
        counter = count_corpus(tokens)  # : 
        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 += ['<pad>', '<bos>', '<eos>', '<unk>']
        else:
            self.unk = 0
            self.idx_to_token += ['<unk>']
        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

    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

在生成字典时，我们会通常把高频出现的单词放在字典开始的部分，这样可以减少查询次数（相对于随机编码），训练word2vec中有个HUffman树，也是这个思想。

 token_freqs = sorted(counter.items(), key=lambda x:x[0])
 token_freqs.sort(key=lambda x:x[1], reverse=True)

1.2.3 将词转为索引

使用字典，我们可以将原文本中的句子从单词序列转换为索引序列

1.3 语言模型

一段自然语言文本可以看作是一个离散时间序列，给定一个长度$T$为的词的序列$w_1,w_2,\dots ,w_T$，语言模型的目标就是评估该序列是否合理，即计算该序列的概率：
$$P(w_1,w_2,\dots ,w_T).$$
本节我们介绍基于统计的语言模型，主要是$n$元语法（$n$-gram）。在后续内容中，我们将会介绍基于神经网络的语言模型。
假设序列$w_1,w_2,\dots ,w_T$中的每个词是依次生成的，我们有
$$\begin{array}{rl}P(w_1,w_2,\dots ,w_T)& =\\ & \end{array}$$