自然语言处理（NLP）神经网络的数据预处理步骤

1. 文本清理（Text Cleaning）

目的：去除文本中的噪音和无关内容，确保输入数据的质量和一致性。

方法：

• 去除标点符号：删除文本中的标点符号（视任务需求，某些标点符号可能保留）。
• 转换大小写：将所有文本转换为小写，减少同一个词的不同形式（如“Cat”和“cat”）带来的影响。
• 去除停用词：删除常见的停用词（如“the”、“is”、“and”），这些词对语义贡献较小。
• 删除空白和特殊字符：去除多余的空格、换行符和特殊字符。

2. 标记化（Tokenization）

目的：将文本划分为单词或子词单位（tokens），这些单位是模型的基本输入。

方法：

• 单词级标记化：将文本分割成单词，如“Natural language processing”变成[“Natural”, “language”, “processing”]。
• 子词标记化：使用BPE（Byte Pair Encoding）或WordPiece等算法，将单词进一步分解成更小的单元，处理未见过的单词更灵活。

3. 词汇表构建（Vocabulary Building）

目的：创建一个词汇表，将所有标记化后的单位映射到唯一的索引。

方法：

• 词汇表大小：设定一个固定的词汇表大小，如10,000个词，词频较低的词汇可以统一映射为特殊标记（如<UNK>）。
• 包含特殊标记：词汇表中通常包含特殊标记，如<PAD>（填充）、<SOS>（序列开始）、<EOS>（序列结束）。

4. 词嵌入（Word Embedding）

目的：将离散的词汇转换为连续的向量表示，捕捉词汇间的语义关系。

方法：

• 预训练词嵌入：使用预训练的词嵌入模型，如Word2Vec、GloVe、FastText等，将词汇映射到高维向量。
• 自训练词嵌入：在模型训练过程中，同时学习词汇的向量表示。

5. 序列填充和截断（Padding and Truncation）

目的：确保所有输入序列长度一致，便于批量处理。

方法：

• 填充：对较短的序列在末尾添加<PAD>标记，扩展到固定长度。
• 截断：对超过固定长度的序列进行截断，只保留前面的部分。

6. 生成注意力掩码（Attention Masking）

目的：在处理可变长度输入时，忽略填充部分，确保模型只关注有效部分。

方法：创建一个与输入序列长度相同的掩码，填充部分为0，有效部分为1，指导模型计算注意力权重时忽略填充部分。

7. 词干提取和词形还原（Stemming and Lemmatization）

目的：将单词还原到其基本形式，减少词形变化的影响。

方法：

• 词干提取：通过简单规则去掉单词的词尾，使其变成词干形式，如“running”变成“run”。
• 词形还原：使用词典和语言学规则，将单词还原到其基本形式，如“better”还原为“good”。

8. 字符级预处理（Character-level Processing）

目的：在处理细粒度任务（如拼写纠错、生成任务）时，直接处理字符级别的信息。

方法：将文本分割成单个字符，构建字符级词汇表，并生成字符序列。