3 文本特征处理¶

学习目标¶

了解文本特征处理的作用
掌握实现常见的文本特征处理的具体方法
常见的文本特征处理方法

3.1 n-gram特征¶

概念

n-gram特征是自然语言处理中一种重要的特征表示方式。它通过将文本中的相邻n个词（或字符）组合起来，形成新的特征表示，可以用于很多任务，如文本分类、语言建模、机器翻译等。

常用的n-gram特征是bi-gram和tri-gram特征, 分别对应n为2和3。

例如：

Python

假设给定分词列表: ["是谁", "敲动", "我心"]

对应的数值映射列表为: [1, 34, 21]

我们可以认为数值映射列表中的每个数字是词汇特征.

除此之外, 我们还可以把"是谁"和"敲动"两个词共同出现且相邻也作为一种特征加入到序列列表中,

假设1000就代表"是谁"和"敲动"共同出现且相邻

此时数值映射列表就变成了包含2-gram特征的特征列表: [1, 34, 21, 1000]

这里的"是谁"和"敲动"共同出现且相邻就是bi-gram特征中的一个.

"敲动"和"我心"也是共现且相邻的两个词汇, 因此它们也是bi-gram特征.

假设1001代表"敲动"和"我心"共同出现且相邻

那么, 最后原始的数值映射列表 [1, 34, 21] 添加了bi-gram特征之后就变成了 [1, 34, 21, 1000, 1001]

作用

捕捉文本中词语之间的局部上下文信息，这些信息在许多NLP任务中非常重要。
优势
- 捕捉局部上下文信息：
  - n-gram 不像 uni-gram 那样孤立地看待词语，而是将相邻的词语组合起来，从而捕捉到了词语之间的局部上下文信息。
  - 例如，”not happy” 这个 bigram 与 uni-gram “happy” 表达的含义完全相反，使用 n-gram 可以更好地捕捉这种关系。
- 简单高效：
  - n-gram 特征的生成和使用相对简单，计算效率高。
  - 不需要复杂的语法分析和语义理解。
- 无需预训练：
  - n-gram 特征不需要预先训练，可以直接在数据集中生成。
- 可用于各种 NLP 任务：
  - n-gram 特征广泛应用于各种 NLP 任务，例如文本分类、情感分析、信息检索、语言模型等。

代码实现

Python

# 一般n-gram中的n取2或者3, 这里取2为例
ngram_range = 2


def create_ngram_set(input_list):
    # description: 从数值列表中提取所有的n-gram特征
    # param input_list: 输入的数值列表, 可以看作是词汇映射后的列表, 里面每个数字的取值范围为[1, 25000]
    # return: n-gram特征组成的集合
    # eg:
    # create_ngram_set([1, 3, 2, 1, 5, 3])
    # {(3, 2), (1, 3), (2, 1), (1, 5), (5, 3)}
    return set(zip(*[input_list[i:] for i in range(ngram_range)]))


if __name__ == '__main__':
    input_list = [1, 3, 2, 1, 5, 3]
    res = create_ngram_set(input_list)
    print(res)

输出结果：

Python

# 该输入列表的所有bi-gram特征
{(3, 2), (1, 3), (2, 1), (1, 5), (5, 3)}

3.2 文本长度规范¶

概念

一般模型的输入需要等尺寸大小的矩阵, 因此在进入模型前需要对每条文本数值映射后的长度进行规范, 此时将根据句子长度分布分析出覆盖绝大多数文本的合理长度, 对超长文本进行截断, 对不足文本进行补齐(一般使用数字0), 这个过程就是文本长度规范。
作用
- 深度学习模型输入要求：
  - 大多数深度学习模型，例如循环神经网络（RNN）、长短期记忆网络（LSTM）、Transformer 等，都要求输入固定长度的序列。
  - 如果文本长度不一致，则需要进行填充或截断等处理，才能将文本数据输入到模型中。
- 计算效率：
  - 如果文本长度差异过大，则会影响模型的计算效率，因为模型需要处理更长的序列。
  - 通过统一文本长度，可以减少计算量，加快训练速度。
- 数据一致性：
  - 统一文本长度可以使数据更加一致，从而方便进行后续的统计分析和可视化。
  - 如果长度差异太大，则难以进行比较和分析。
- 防止过拟合：
  - 过长的文本可能包含过多的噪声和冗余信息，导致模型过拟合。
  - 截断过长的文本可以减少噪声，提高模型的泛化能力。
- 避免信息丢失：
  - 过短的文本可能包含较少的信息，导致模型无法学习到足够的特征。
  - 可以通过填充等方式，让短文本补充一定的信息，提高模型的准确性。
方法
- 截断 (Truncation)：
  - 方法：将文本截断到指定的最大长度，丢弃超过长度的部分。
  - 适用场景：当文本长度过长，且我们只需要文本的前面部分时，可以使用截断。
  - 优点：简单易行，计算效率高。
  - 缺点：可能丢失文本尾部的信息。
  - 策略：可以选择从文本开头截断（前截断）或从文本结尾截断（后截断）。
- 填充 (Padding)：
  - 方法：将文本填充到指定的最大长度，通常使用特殊字符（例如，或 0）进行填充。
  - 适用场景：当文本长度过短，需要补充信息时，可以使用填充。
  - 优点：可以使短文本保持固定的长度。
  - 缺点：会引入一些额外的数据，可能影响模型的训练。
  - 策略：可以选择在文本开头填充（前填充）或在文本结尾填充（后填充）。
- 截断 + 填充：
  - 方法：结合截断和填充，将文本统一到一个指定的长度。对于长度超过指定长度的文本进行截断，对于长度短于指定长度的文本进行填充。
  - 适用场景：适用于大部分场景，可以处理长度过长或过短的文本。

代码实现

Python

from tensorflow.keras.preprocessing import sequence

# cutlen根据数据分析中句子长度分布，覆盖90%左右语料的最短长度.
# 这里假定cutlen为8
cutlen = 8

def padding_truncating(x_train):
    # 使用sequence.pad_sequences即可完成
    # truncating:pre->表示从前面截断 默认 post->表示从后面截断
    # padding:pre->表示从前面补齐 默认 post->表示从后面补齐
    return sequence.pad_sequences(sequences=x_train,    maxlen=cutlen, truncating='pre', padding='pre')


if __name__ == '__main__':
    x_train = [[1, 23, 5, 32, 55, 63, 2, 21, 78, 32, 23, 1],
                 [2, 32, 1, 23, 1]]

    res = padding_truncating(x_train)
    print(res)

输出结果：

Python

[[55 63    2 21 78 32 23    1]
 [ 0    0    0    2 32    1 23    1]]

3.3 小结¶

文本特征处理的作用:
- 文本特征处理包括为语料添加具有普适性的文本特征, 如:n-gram特征, 以及对加入特征之后的文本语料进行必要的处理, 如: 长度规范. 这些特征处理工作能够有效的将重要的文本特征加入模型训练中, 增强模型评估指标.
常见的文本特征处理方法:
- 添加n-gram特征
- 文本长度规范
什么是n-gram特征:
- 给定一段文本序列, 其中n个词或字的相邻共现特征即n-gram特征, 常用的n-gram特征是bi-gram和tri-gram特征, 分别对应n为2和3.
文本长度规范及其作用:
- 一般模型的输入需要等尺寸大小的矩阵, 因此在进入模型前需要对每条文本数值映射后的长度进行规范, 此时将根据句子长度分布分析出覆盖绝大多数文本的合理长度, 对超长文本进行截断, 对不足文本进行补齐(一般使用数字0), 这个过程就是文本长度规范.