【504】NLP实战系列（一）—— one-hot encoding
参考：Text Preprocessing —— Tokenizer
对于 Embedding 层使用的输入，就是整数矩阵，并不是真正的 one-hot 向量，需要利用 Tokenizer 来实现。
1. Tokenizer
1.1 语法
keras.preprocessing.text.Tokenizer(num_words=None,
filters='!"#$%&()*+,-./:;<=>?@[\]^_`{|}~ ',
lower=True,
split=' ',
char_level=False,
oov_token=None,
document_count=0)
文本标记实用类。该类允许使用两种方法向量化一个文本语料库： 将每个文本转化为一个整数序列（每个整数都是词典中标记的索引）； 或者将其转化为一个向量，其中每个标记的系数可以是二进制值、词频、TF-IDF权重等。
1.2 参数说明
- num_words: 需要保留的最大词数，基于词频。只有最常出现的
num_words词会被保留。 - filters: 一个字符串，其中每个元素是一个将从文本中过滤掉的字符。默认值是所有标点符号，加上制表符和换行符，减去
'字符。 - lower: 布尔值。是否将文本转换为小写。
- split: 字符串。按该字符串切割文本。
- char_level: 如果为 True，则每个字符都将被视为标记。
- oov_token: 如果给出，它将被添加到 word_index 中，并用于在
text_to_sequence调用期间替换词汇表外的单词。
默认情况下，删除所有标点符号，将文本转换为空格分隔的单词序列（单词可能包含 ' 字符）。 这些序列然后被分割成标记列表。然后它们将被索引或向量化。
0 是不会被分配给任何单词的保留索引。
1.3 类方法
-
fit_on_texts(texts)
- texts：要用以训练的文本列表
-
texts_to_sequences(texts)
-
texts：待转为序列的文本列表
-
返回值：序列的列表，列表中每个序列对应于一段输入文本
-
[[1, 2, 3, 4, 1, 5], [1, 6, 7, 8, 9]]
-
-
texts_to_sequences_generator(texts)
-
本函数是
texts_to_sequences的生成器函数版 -
texts：待转为序列的文本列表
-
返回值：每次调用返回对应于一段输入文本的序列
-
-
texts_to_matrix(texts, mode)：
-
texts：待向量化的文本列表
-
mode：‘binary’，‘count’，‘tfidf’，‘freq’之一，默认为‘binary’
-
返回值：形如
(len(texts), nb_words)的numpy array -
[[0. 1. 1. ... 0. 0. 0.] [0. 1. 0. ... 0. 0. 0.]]
-
-
fit_on_sequences(sequences):
- sequences：要用以训练的序列列表
-
sequences_to_matrix(sequences):
-
sequences：待向量化的序列列表
-
mode：‘binary’，‘count’，‘tfidf’，‘freq’之一，默认为‘binary’
-
返回值：形如
(len(sequences), nb_words)的numpy array
-
1.4 属性
- word_counts:字典，将单词（字符串）映射为它们在训练期间出现的次数。仅在调用fit_on_texts之后设置。
-
OrderedDict([('the', 3), ('cat', 1), ('sat', 1), ('on', 1), ('mat', 1), ('dog', 1), ('ate', 1), ('my', 1), ('homework', 1)]) - len(word_counts) 来计算单词的个数
-
- word_docs: 字典，将单词（字符串）映射为它们在训练期间所出现的文档或文本的数量。仅在调用fit_on_texts之后设置。
- word_index: 字典，将单词（字符串）映射为它们的排名或者索引。仅在调用fit_on_texts之后设置。
- document_count: 整数。分词器被训练的文档（文本或者序列）数量。仅在调用fit_on_texts或fit_on_sequences之后设置。
1.5 举例
from keras.preprocessing.text import Tokenizer
samples = ['The cat sat on the mat.', 'The dog ate my homework.']
# We create a tokenizer, configured to only take
# into account the top-1000 most common words
tokenizer = Tokenizer(num_words=1000)
# This builds the word index
tokenizer.fit_on_texts(samples)
print("word_counts: \n", tokenizer.word_counts)
print("\ntotal words: \n", len(tokenizer.word_counts))
# This turns strings into lists of integer indices.
sequences = tokenizer.texts_to_sequences(samples)
print("\nsequences:\n", sequences)
# You could also directly get the one-hot binary representations.
# Note that other vectorization modes than one-hot encoding are supported!
one_hot_results = tokenizer.texts_to_matrix(samples, mode='binary')
print("\none_hot_results:\n", one_hot_results)
# This is how you can recover the word index that was computed
word_index = tokenizer.word_index
print("\nword_index:\n", word_index)
print('\nFound %s unique tokens.' % len(word_index))
outputs:
word_counts:
OrderedDict([('the', 3), ('cat', 1), ('sat', 1), ('on', 1), ('mat', 1), ('dog', 1), ('ate', 1), ('my', 1), ('homework', 1)])
total words:
9
sequences:
[[1, 2, 3, 4, 1, 5], [1, 6, 7, 8, 9]]
one_hot_results:
[[0. 1. 1. ... 0. 0. 0.]
[0. 1. 0. ... 0. 0. 0.]]
word_index:
{'the': 1, 'cat': 2, 'sat': 3, 'on': 4, 'mat': 5, 'dog': 6, 'ate': 7, 'my': 8, 'homework': 9}
Found 9 unique tokens.
