Text Preprocessing - 文本预处理(RNN循环神经网络)

文本预处理

对于序列数据的处理问题，我们之前评估了所需要的统计工具和预测时面临的挑战。这样的数据存在许多种形式，文本时最常见的例子之一。例如，一篇文章可以被简单地看作是一串单词序列，甚至是一串字符序列。

本节中，我们将解析文本的常见预处理步骤。这些步骤通常包括:

1.将文本作为字符串加载到内存中。

2.将字符串拆分为词元(如单词或字符)。

3.建立一个词表，将拆分的词元映射到数字索引。

4.将文本转换为数字索引序列，方便模型操作。

import collections                                 #引入collections统计包
import re
from d2l import torch as d2l

读取数据集

d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
                               '090b5e7e70c295757f55df93cb0a180b9691891a')


#定义读取数据集的函数
def read_time_machine():
    """将时间机器数据集加载到文本行的列表中"""
    with open(d2l.download('time_machine'), 'r') as f:
        lines = f.readlines()
    
    #返回一个句子列表，只保留大小写字母信息，去除句子两旁的空格，并全部转化为小写
    return [re.sub('[^A-Za-z]', ' ', line).strip().lower() for line in lines]


lines = read_time_machine()                                      #获取一个文本列表，其中每一个元素代表一个句子
print(f'# 文本总行数: {len(lines)}')                             #输出文本总行数
print(lines[0])
print(lines[10])

# 文本总行数: 3221
the time machine  by h  g  wells
twinkled  and his usually pale face was flushed and animated  the

词元化

下面的tokenize函数将文本行列表(lines)作为输入，列表中的每个元素是一个文本序列(如一条文本行)。每个文本序列又被拆分成一个词元列表，词元(token)是文本的基本单位。最后，返回一个由词元列表组成的列表，其中的每个词元都是一个字符串。

#文本数据词元化
def tokenize(lines, token='word'):
    """将文本行拆分为单词或字符词元"""
    if token == 'word':
        return [line.split() for line in lines]
    elif token == 'char':
        return [list(line) for line in lines]
    else:
        print('错误: 未知词元类型: ' + token)
        
tokens = tokenize(lines)                          #把文本数据转化为token词元类型

for i in range(11):
    print(tokens[i])

['the', 'time', 'machine', 'by', 'h', 'g', 'wells']
[]
[]
[]
[]
['i']
[]
[]
['the', 'time', 'traveller', 'for', 'so', 'it', 'will', 'be', 'convenient', 'to', 'speak', 'of', 'him']
['was', 'expounding', 'a', 'recondite', 'matter', 'to', 'us', 'his', 'grey', 'eyes', 'shone', 'and']
['twinkled', 'and', 'his', 'usually', 'pale', 'face', 'was', 'flushed', 'and', 'animated', 'the']

词表

词元的类型是字符串，而模型需要的输入是数字，因此这种类型不方便模型调用。

现在，让我们来构建一个字典，通常也叫做词表(vocabulary)，用来将字符串类型的词元映射到从0开始的数字索引中。 我们先将训练集中的所有文档合并在一起，对它们的唯一词元进行统计， 得到的统计结果称之为语料(corpus)。 然后根据每个唯一词元的出现频率，为其分配一个数字索引。 很少出现的词元通常被移除，这可以降低复杂性。 另外，语料库中不存在或已删除的任何词元都将映射到一个特定的未知词元“<unk>”。 我们可以选择增加一个列表，用于保存那些被保留的词元， 例如：填充词元（“<pad>”）； 序列开始词元（“<bos>”）； 序列结束词元（“<eos>”）。

#词典类
class Vocab:
    """
    文本词表，其中三个参数，
    tokes表示待统计的词元列表，
    reserved_tokens表示特殊标记的词(如未知词元)，
    min_freq表示最低出现的频率
    """
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        
        if tokens is None:
            tokens = []
            
        if reserved_tokens is None:
            reserved_tokens = []
            
        #按照出现的概率进行排序
        counter = count_corpus(tokens)
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1], reverse=True)
        
        #未知词元的索引为0
        self.idx_to_token = ['<unk>'] + reserved_tokens                                           #初始化id对token和token对id
        self.token_to_idx = {token:idx for idx, token in enumerate(self.idx_to_token)}
        
        #通过循环依次添加token和id，分别添加至idx_to_token列表中和token_to_idx字典中
        for token, freq in self._token_freqs:
            if freq < min_freq:
                break
            if token not in self.token_to_idx:
                self.idx_to_token.append(token)                                                  #追加到idx_to_token列表中
                self.token_to_idx[token] = len(self.idx_to_token) - 1                            #追加到token_to_idx字典之中
                
    def __len__(self):
        return len(self.idx_to_token)                                                        #返回字典的长度

    def __getitem__(self, tokens):
        if not isinstance(tokens, (list, tuple)):                                            #若不是列表或者元组，则返回单个下标
            return self.token_to_idx.get(tokens, self.unk)
        return [self.__getitem__(token) for token in tokens]                                #若是列表或者元组，返回列表形式的下标

    def to_tokens(self, indices):
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]                                                #若不是列表或者元组，返回单个token
        return [self.idx_to_token[index] for index in indices]                              #若是列表或元组，则返回多个token

    #代表变量
    @property
    def unk(self):
        return 0

    @property
    def token_freqs(self):
        return self._token_freqs

        
#统计corpus语料
def count_corpus(tokens):
    """统计词元的频率"""
    #这里的tokens是1D列表或者2D列表
    if len(tokens) == 0 or isinstance(tokens[0], list):
        #将词元列表展平成一个列表
        tokens = [token for line in tokens for token in line]
    
    return collections.Counter(tokens)

我们首先使用时光机器数据集作为语料库来构建词表，然后打印前几个高频词元及其索引。

vocab = Vocab(tokens)                                            #生成字典对象
print(list(vocab.token_to_idx.items())[:10])                     #生成前10个出现频率最高的词

[('<unk>', 0), ('the', 1), ('i', 2), ('and', 3), ('of', 4), ('a', 5), ('to', 6), ('was', 7), ('in', 8), ('that', 9)]

现在，我们可以将每一条文本行转换成一个数字索引列表。

for i in [0, 10]:
    print('文本:', tokens[i])
    print('索引:', vocab[tokens[i]])

文本: ['the', 'time', 'machine', 'by', 'h', 'g', 'wells']
索引: [1, 19, 50, 40, 2183, 2184, 400]
文本: ['twinkled', 'and', 'his', 'usually', 'pale', 'face', 'was', 'flushed', 'and', 'animated', 'the']
索引: [2186, 3, 25, 1044, 362, 113, 7, 1421, 3, 1045, 1]

整合所有功能

在使用上述函数时，我们将所有功能打包到 load_corpus_time_machine 函数中，该函数返回 corpus(词元索引列表) 和 vocab(时光机器语料库的词表)。

我们在此所作的改变是:

1.为了简化后面章节中的训练，我们使用字符（而不是单词）实现文本词元化；

2.时光机器数据集中的每个文本行不一定是一个句子或一个段落，还可能是一个单词，因此返回的corpus仅处理为单个列表，而不是使用多词元列表构成的一个列表。

#加载machine数据集，并返回corpus词元索引列表和vocab词表
def load_corpus_time_machine(max_tokens=-1):
    """返回时光机器数据集的词元索引列表和词表"""
    lines = read_time_machine()
    tokens = tokenize(lines, 'char')
    vocab = Vocab(tokens)
    
    # 因为时光机器数据集中的每个文本行不一定是一个句子或一个段落，
    # 所以将所有文本行展平到一个列表中
    corpus = [vocab[token] for line in tokens for token in line]
    
    if max_tokens > 0:
        corpus = corpus[:max_tokens]
    
    return corpus, vocab                                       #返回corpus语料库与vocab字典

corpus, vocab = load_corpus_time_machine()
len(corpus), len(vocab)

(174735, 28)

小结

1.文本是序列数据的一种最常见的形式之一。

2.为了对文本进行预处理，我们通常将文本拆分为词元，构建词表将词元字符串映射为数字索引，并将文本数据转换为词元索引以供模型操作。