【504】NLP实战系列（一）—— one-hot encoding

参考：Text Preprocessing —— Tokenizer

参考：Preprocessing » 文本预处理

　　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

?

1 2 3 4 5 6 7

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

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

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.