day2的任务包括三个:
文本预处理、语言模型、循环神经网络
文本预处理
文本是一类序列数据,一篇文章可以看作是字符或单词的序列,预处理通常包括四个步骤:
- 读入文本
- 分词
- 建立字典,将每个词映射到一个唯一的索引(index)
- 将文本从词的序列转换为索引的序列,方便输入模型
这里重点讲一下建立字典这个步骤,在代码中所对应的就是Vocab类。
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。
主要步骤:
- 对语料进行分词,生成一个token列表,里面包含了语料的分词结果
- 对分好的词统计词频,然后根据词频来构建词典(统计好的词频完成了去重的操作,同时也保留了词的频率,方便后续的操作)
- 构建了一个idx_to_token列表来存储所有的词,完成索引到词的映射
- 构建了一个token_to_idx来存储所有词的索引,完成词到索引的映射。
代码中涉及到的几个特殊的token:
- pad的作用是在采用批量样本训练时,对于长度不同的样本(句子),对于短的样本采用pad进行填充,使得每个样本的长度是一致的
- bos( begin of sentence)和eos(end of sentence)是用来表示一句话的开始和结尾
- unk(unknow)的作用是,处理遇到未出现在语料库的词(未登录词)时都统一认为是unknow ,在代码中还可以将一些频率特别低的词(小于阈值)也归为这一类
下面附上代码:
#1. 读入文本
import re
def read_time_machine():
with open('/home/kesci/input/timemachine7163/timemachine.txt', 'r') as f:
lines = [re.sub('[^a-z]+', ' ', line.strip().lower()) for line in f]
return lines
#line.strip() :去掉句子中的前缀(tab)、后缀(\n)、空白字符(‘ ’)
#lower() :将所有大写英文字母转为小写
#[^a-z] :^是非的意思,非小写英文字符
#'[^a-z]+' :长度至少是1的非小写英文字符串(不是以小写字母开头的字符串)
#re.sub('[^a-z]+',' ',line.strip().lower()) :将去掉前缀、后缀和空格的句子转为小写字母,然后把句子中的非小写字母开头的字符串以空格代替
lines = read_time_machine()
print('# sentences %d' % len(lines))
#2. 分词
#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。
def tokenize(sentences, token='word'):
"""Split sentences into word or char tokens"""
if token == 'word':#代表做单词级别的分词
return [sentence.split(' ') for sentence in sentences]
elif token == 'char':#代表做字符级别的分词
return [list(sentence) for sentence in sentences]
else:
print('ERROR: unkown token type '+token)
tokens = tokenize(lines)
tokens[0:2]
#3. 建立字典
class Vocab(object):
def __init__(self, tokens, min_freq=0, use_special_tokens=False):#min_freq表示出现频率的阈值,小于它则忽略
counter = count_corpus(tokens) # : 统计词频
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
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
#我们看一个例子,这里我们尝试用Time Machine作为语料构建字典
vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[0:10])
#4. 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
for i in range(8, 10):
print('words:', tokens[i])
print('indices:', vocab[tokens[i]])
#可以利用现有的工具分词测试一下效果:spaCy、NLTK
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))
练习题: