词表映射Vocab

在进行自然语言处理过程中需要将自然语言转化成数字化表示,需要对自然语言进行词表映射。

代码

from collections import defaultdict

#建立词表映射
class Vocab:
    def __init__(self,tokens=None):
        self.idx_to_token = list()
        self.token_to_idx = dict()
        if tokens is not None:
            if "<unk>" not in tokens:
                tokens = tokens + ["<unk>"]
            for token in tokens:
                self.idx_to_token.append(token)
                self.token_to_idx[token] = len(self.idx_to_token) - 1
            self.unk = self.token_to_idx['<unk>']
	
	#创建词表
    @classmethod
    def build(cls,text,min_freq=1,reserved_tokens=None):
        token_freqs = defaultdict(int)  
        for sentence in text:
            for token in sentence:
                token_freqs[token] += 1
        uniq_tokens = ["<unk>"] + (reserved_tokens if reserved_tokens else [])
        uniq_tokens += [token for token,freq in token_freqs.items() if freq >= min_freq and token != "<unk>"]
        return cls(uniq_tokens)
        
     #返回词表大小
	def __len__(self):
        return len(self.idx_to_token)
    
    #查找token索引
    def __getitem__(self,token):
        return self.token_to_idx.get(token,self.unk)

	#将tokens转化成索引      
    def convert_tokens_ids(self,tokens):
        return [self.token_to_idx[token] for token in tokens]
    
    #将索引转化成token
    def convert_ids_to_tokens(self,indices):
        return [self.idx_to_token[index] for index in indices]

#验证
from nltk.corpus import sentence_polarity
vocab = Vocab.build(sentence_polarity.sents())
print("词表大小:",len(vocab))
print('great的索引:',vocab['great'])
print("token转换成id:",vocab.convert_tokens_ids(['i','am','great']))
print("id转化成token:",vocab.convert_ids_to_tokens([329, 4499, 3495]))			 

运行结果

在这里插入图片描述

📢使用BERT等预训练模型,自带词表,不需要创建词表。

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

hj_caas

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值