1. 文本向量化
1.1 词袋模型
词袋模型,顾名思义,就是将文本视为一个 “装满词的袋子” ,袋子里的词语是随便摆放的,没有顺序和语义之分。
1.1.1 词袋模型的步骤
- 第一步:构造词典
根据语料库,把所有的词都提取出来,编上序号 - 第二步:独热编码,D维向量
记词典大小为D,那么每个文章就是一个D维向量:每个位置上的数字表示对应编号的词在该文章中出现的次数。
1.1.2 词袋模型的缺点
- 只统计词语是否出现或者词频,会被无意义的词汇所影响
解决:文本预处理(a.去除停用词;b.文字、字母、标点符号统一;c.利用TF-IDF去除不重要的词) - 无法识别语义层面的信息
解决:基于深度学习的文本表示(词向量、句向量等) - 无法关注词语之间的顺序关系
解决:深度学习
1.2 TF-IDF
TF-IDF是一种统计方法,用以评估某一字词对于语料库中的一篇文章的重要程度。其算法简单快速,结果也比较符合实际情况。
1.2.1 TF-IDF的步骤
- 第一步:统计词频TF
统计每个词在文本中出现的次数,出现的越频繁,那么就越可能是这个文章的关键词。
词频TF = 某个词在文章中出现的次