NLP基础知识——文本处理、张量表示、文本数据分析
文本分词
jieba分词
繁体、简体都可以
精确模式分词
#精确模式分词
import jieba
content='我来工作爱生活爱拉芳爱学习喜欢跳舞'
jieba.lcut(content,cut_all=False)
#全模式分词
jieba.lcut(content,cut_all=True)
#搜索引擎模式
jieba.lcut_for_search(content)
#自定义字典dict
jieba.load_userdict("./dict.txt")
jieba.lcut(content)
hanlp分词
基于tensorflow2.0
import hanlp
#zhongwen
tokenizer=hanlp.load('CTB6_CONVSEG')
tokenizer('我来工作爱生活,爱拉芳爱学习喜欢跳舞')
#英文
tokenizer=hanlp.utils.rules.tokenize_english
tokenizer('i love work and dog and wo')
#命名实体NER 也就是专有名词的划分
#中文
recognizer=hanlp.load(hanlp.pretrained.ner.MSRA_NER_BERT_BASE_ZH)
list('我来工作爱生活,爱拉芳爱学习喜欢跳舞')
recognizer(list('我来工作爱生活,爱拉芳爱学习喜欢跳舞'))
#英文
recognizer=hanlp.load(hanlp.pretrained.ner.COLL03_NER_BERT_BASE_UNCASED_EN)
词性标注
#中文的
#词性标注 动词、名词划分
import jieba.posseg as pseg
pseg.lcut("我爱工作爱生活爱学校")
#英文
tagger=hanlp.load(hanlp.pretrained.pos.PTB_POS_RNN_FASTTEXT_EN)
文本的张量表示
其实就是把文字变成数字,计算机才认识!!
one-hot编码
优缺点:操作简单,便于理解但是割裂了词与词的联系,占用内存大
假如4个词 ’我和小王‘
就可以表示为
我(1,0,0,0)
和(0,1,0,0)
以此类推的4*4的0-1矩阵
from sklearn.externals import joblib
#导入词汇映射器
from keras.preprocessing.text import Tokenizer
#初始化词汇表
vacal={"鹿晗","张翰","林更新"}
t=Tokenizer(num_words=None,char_level=False)
t.fit_on_text(vacal)
for token in vocal:zero_list=[0]*len(vocal)token_index=t.texts_to_sequences([token])[0][0]-1zero_list[token_index]=1
tokenizer_path='./e' #保存的位置
jolib.dump(t,tokenizer_path)
word2vec
无监督训练方法,将网络参数作为词汇的向量表示包括了cbow和skipgram。
CBOW步骤就是:如果i love nice day like ,假设窗口大小为3,则是i love nice 三个词,然后 i 和nice 作为输入,采用one-hot编码,(1,0,0,0,0)和(0,1,0,0,0)然后预测 love,以此内推,love nice day用love和day预测nice
skipgram的步骤和CBOW类似,输入和输出交换
#lr表示学习率# 训练模型
import fasttest
model=fasttext.train_unsupervised(data,'cbow',dim=300,epoch=1,lr=0.05)
#训练完后检验,找到nice相关的词汇
model.get_nearest_neighbors('nice')
#保存模型
model.save_model('fil9.bin')
#用的时候直接调用
modelnew=fasttext.load_model('fil9.bin')
word embedding 词嵌入
# 导入torch和tensorboard导入进来
import torch
import json
import fileinput
from torch.utils.tensorboard import SummaryWriter# 实例化一个写入对象
writer = SummaryWriter()# 随机初始化一个100*50的矩阵, 将其视作已经得到的词嵌入矩阵
embedded = torch.randn(100, 50)# 导入事先准备好的100个中文词汇文件, 形成meta列表原始词汇
meta = list(map(lambda x: x.strip(), fileinput.FileInput("./vocab100.csv")))
writer.add_embedding(embedded, metadata=meta)
writer.close()
文本数据分析
也就是帮忙理解语调,标签正常不、特征丰富不、标签分类
下面以酒店评语的数据来进行文本分析
标签数量分布
酒店的评论有两列,第一列包括各种评论,第二列是评论的好坏 好的为1,不好的0
# 导入必备的工具包
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt
import jieba
# 设置显示风格
plt.style.use('fivethirtyeight')
# 利用pandas读取训练数据和验证数据
train_data = pd.read_csv("./cn_data/train.tsv", sep="\t")
valid_data = pd.read_csv("./cn_data/dev.tsv", sep="\t")
# 获得训练数据标签的数量分布
sns.countplot("label", data=train_data)
plt.title("train_data")
plt.show()
# 获得验证数据标签的数量分布
sns.countplot("label", data=valid_data)
plt.title("valid_data")
plt.show()
## 获得训练集和验证集长度分布
# 在训练数据中添加新的句子长度列, 每个元素的值都是对应句子的长度
train_data["sentence_length"] = list(map(lambda x: len(x), train_data["sentence"]))# 绘制句子长度列的数量分布
# sns.countplot("sentence_length", data=train_data)
# plt.xticks([])
# plt.show()# 绘制dist长度分布图
# sns.distplot(train_data["sentence_length"])
# plt.yticks([])
# plt.show()
#---------------------------------=-----------------------
# 在验证数据中添加新的句子长度列, 每个元素的值对应句子的长度
valid_data["sentence_length"] = list(map(lambda x: len(x), valid_data["sentence"]))
# 绘制句子长度列的数量分布图
# sns.countplot("sentence_length", data=valid_data)
# plt.xticks([])
# plt.show()
# 绘制dist长度分布图
# sns.distplot(valid_data["sentence_length"])
# plt.yticks([])
# plt.show()
# 绘制训练数据语句长度的散点图
# sns.stripplot(y="sentence_length", x="label", data=train_data)
# plt.show()# 绘制验证数据语句长度的散点图
# sns.stripplot(y="sentence_length", x="label", data=valid_data)
# plt.show()
统计不同词汇的数量
# 进行训练集的句子进行分词, 并统计出不同词汇的总数
# train_vocab = set(chain(*map(lambda x: jieba.lcut(x), train_data["sentence"])))
# print("训练集共包含不同词汇总数为:", len(train_vocab))# 进行验证集的句子进行分词, 并统计出不同词汇的总数
# valid_vocab = set(chain(*map(lambda x: jieba.lcut(x), valid_data["sentence"])))
# print("验证集共包含不同词汇总数为:", len(valid_vocab))
训练集词云
# 导入jieba 中的词性标注工具包
import jieba.posseg as pseg# 定义获取形容词的列表函数
def get_a_list(text):# 使用jieba的词性标注方法来切分文本, 获得两个属性word,flag# 利用flag属性去判断一个词汇是否是形容词r = []for g in pseg.lcut(text):if g.flag == 'a':r.append(g.word)return r
# 导入绘制词云的工具包
from wordcloud import WordCloud# 定义获取词云的函数并绘图
def get_word_cloud(keywords_list):# 首先实例化词云类对象, 里面三个参数# font_path: 字体路径,为了能够更好的显示中文# max_words: 指定词云图像最多可以显示的词汇数量# backgroud_color: 代表图片的北京颜色wordcloud = WordCloud(max_words=100, background_color='white')# 将传入的列表参数转化为字符串形式, 因为词云对象的参数要求是字符串类型keywords_string = " ".join(keywords_list)# 生成词云wordcloud.generate(keywords_string)# 绘图plt.figure()plt.imshow(wordcloud, interpolation="bilinear")plt.axis("off")plt.show()# 获取训练集上的正样本
p_train_data = train_data[train_data["label"]==1]["sentence"]# 对正样本的每个句子提取形容词
train_p_a_vocab = chain(*map(lambda x: get_a_list(x), p_train_data))# 获取训练集上的负样本
n_train_data = train_data[train_data["label"]==0]["sentence"]# 对负样本的每个句子提取形容词
train_n_a_vocab = chain(*map(lambda x: get_a_list(x), n_train_data))# 调用获取词云的函数
get_word_cloud(train_p_a_vocab)
get_word_cloud(train_n_a_vocab)
#-------------------------------------------------------------
# 获取验证集的数据正样本
p_valid_data = valid_data[valid_data["label"]==1]["sentence"]# 获取正样本的每个句子的形容词
valid_p_a_vocab = chain(*map(lambda x: get_a_list(x), p_valid_data))# 获取验证集的数据负样本
n_valid_data = valid_data[valid_data["label"]==0]["sentence"]# 获取负样本的每个句子的形容词
valid_n_a_vocab = chain(*map(lambda x: get_a_list(x), n_valid_data))# 调用获取词云的函数
get_word_cloud(valid_p_a_vocab)
get_word_cloud(valid_n_a_vocab)
文本特征处理
包括语料、长度的处理
‘我 喜欢 工作’假设是【2,43,56】
1.n-gram特征:就是特征中假如到相邻的特征 而我和喜欢相邻假设是89 加到里面 喜欢和工作相邻假设是5 加入其中【2,43,56,89,5】
#n-gram
def creat_ngram_set(input_list):return set(zip(*[input_list[i:] for i in range(ngram_range)]))
input_list=[4,2,89,56,7]
#长度规范 能够覆盖90%以上的语料长度
假设是20,不足加0,长度大于20保留后面20个舍去前面的
cutlen=20
def padding(x_train):return sequence.pad_sequences(x_train,cutlen)
文本增强
回译数据增强,基于google翻译接口,将原始的中文句子翻译成另外一种语言如英语,然后又翻译回来
优势劣势:获得预料质量高,但是对于短文本可能重复率高,那么也可以中文变成英语,英语变韩文然后再变回中文
word1='我爱狗狗'
word2='她和他的家的东西'
from gooletrain import Translator
translator=Translator()
#ko是韩语
translations=translator.translate([word1,word2],dest='ko')
ko_result=list(map(lambda x:x.text,translations))
#翻译回来
translations=translator.translate(ko_result,dest='zh-cn')
cn_result=list(map(lambda x:x.text,translations))
新闻主题分类
看这一段新闻是哪一类的体育?财经?