循环神经网络-文本预处理

阅读目录

• 文本预处理
• 读取数据集
• 词元化
• 词表
• 整合所有功能

 

之前在做卷积神经网络的时候，我们特征序列都是一些数字序列，但是如果我们遇到一些文本需要将文本转化成数字序列。

回到顶部

文本预处理

1. 将文本作为字符串加载到内存中。
2. 将字符串拆分为词元（如单词和字符）。
3. 建立一个词表，将拆分的词元映射到数字索引。
4. 将文本转换为数字索引序列，方便模型操作。

import collections
import re
from d2l import torch as d2l

回到顶部

读取数据集

⾸先，我们从H.G.Well的时光机器中加载文本。这是⼀个相当小的语料库，只有30000多个单词，但足够我们⼩试牛刀，而现实中的文档集合可能会包含数⼗亿个单词。下⾯的函数将数据集读取到由多条文本行组成的列表中，其中每条文本行都是⼀个字符串。为简单起⻅，我们在这⾥忽略了标点符号和字⺟⼤写。

d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
                                '090b5e7e70c295757f55df93cb0a180b9691891a')

def read_time_machine():  
    """将时间机器数据集加载到⽂本⾏的列表中"""
    with open(d2l.download('time_machine'), 'r') as f:
        #按行读
        lines = f.readlines()
        #将除了大小写的标点符号都弄成空格，并且都变成小写
    return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]

lines = read_time_machine()
print(lines[0])
print(lines[10])

回到顶部

词元化

下面的tokenize函数将文本行列表（lines）作为输入，列表中的每个元素是⼀个文本序列（如⼀条文本行）。每个文本序列又被拆分成⼀个词元列表，词元（token）是文本的基本单位。最后，返回⼀个由词元列表组成的列表，其中的每个词元都是⼀个字符串（string）。

def tokenize(lines, token='word'):  
    """将文本行拆分为单词或字符标记。"""
    if token == 'word':
        return [line.split() for line in lines]
    elif token == 'char':
        return [list(line) for line in lines]
    else:
        print('错误：未知令牌类型：' + token)

tokens = tokenize(lines)
for i in range(11):
    print(tokens[i])

每一段将每个单词分出来

回到顶部

词表

词元的类型是字符串，而模型需要的输入是数字，因此这种类型不方便模型使用。现在，让我们构建⼀个字典，通常也叫做词表，用来将字符串类型的词元映射到从0开始的数字索引中。我们先将训练集中的所有文档合并在⼀起，对它们的唯⼀词元进行统计，得到的统计结果称之为语料（corpus）。然后根据每个唯⼀词元的出现频率，为其分配⼀个数字索引。很少出现的词元通常被移除，这可以降低复杂性。另外，语料库中不存在或已删除的任何词元都将映射到⼀个特定的未知词元""。我们可以选择增加⼀个列表，用于保存那些被保留的词元，例如：填充词元（""）；序列开始词元（""）；序列结束词元（""）。

class Vocab:
    """文本词表,min_freq是指的是文中中出现小于min_freq的词语都去掉"""
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        if tokens is None:
            tokens = []
        if reserved_tokens is None:
            reserved_tokens = []
        counter = count_corpus(tokens) # 统计每个单词出现的次数,以字典的形式返回
        self.token_freqs = sorted(counter.items(), key=lambda x: x[1],
                                  reverse=True) # 按照每个词出现次数，从大到小
        self.unk, uniq_tokens = 0, ['<unk>'] + reserved_tokens
        uniq_tokens += [#将符合条件的加入到uniq_tokens中
            token for token, freq in self.token_freqs
            if freq >= min_freq and token not in uniq_tokens]
        self.idx_to_token, self.token_to_idx = [], dict()
        for token in uniq_tokens:
            self.idx_to_token.append(token)# 单词
            self.token_to_idx[token] = len(self.idx_to_token) - 1 #对应下标
            
    def __len__(self):
        return len(self.idx_to_token)

    def __getitem__(self, tokens):
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)
        return [self.__getitem__(token) for token in tokens]

    def to_tokens(self, indices):
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        return [self.idx_to_token[index] for index in indices]

def count_corpus(tokens):  
    """统计标记的频率。"""
    if len(tokens) == 0 or isinstance(tokens[0], list):
        tokens = [token for line in tokens for token in line]
    return collections.Counter(tokens)

或者

class Vocab1: #@save
    """⽂本词表"""
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        if tokens is None:
            tokens = []
        if reserved_tokens is None:
            reserved_tokens = []
            # 按出现频率排序
            counter = count_corpus(tokens)
            self._token_freqs = sorted(counter.items(), key=lambda x: x[1],reverse=True)
            # 未知词元的索引为0
            self.idx_to_token = ['<unk>'] + reserved_tokens
            self.token_to_idx = {token: idx for idx, token in enumerate(self.idx_to_token)}
            for token, freq in self._token_freqs:
                if freq < min_freq:
                    break
                if token not in self.token_to_idx:
                    self.idx_to_token.append(token)
                    self.token_to_idx[token]=len(self.idx_to_token)-1
    
    def __len__(self):
        return len(self.idx_to_token)
    
    def __getitem__(self, tokens):
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)
        return [self.__getitem__(token) for token in tokens]
    
    def to_tokens(self, indices):
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        return [self.idx_to_token[index] for index in indices]
    
    @property
    def unk(self): # 未知词元的索引为0
        return 0
    
    @property
    def token_freqs(self):
        return self._token_freqs
    
def count_corpus(tokens): #@save
    """统计词元的频率"""
    # 这⾥的tokens是1D列表或2D列表
    if len(tokens) == 0 or isinstance(tokens[0], list):
    # 将词元列表展平成⼀个列表
        tokens = [token for line in tokens for token in line]
    return collections.Counter(tokens)

我们首先使用时光机器数据集作为语料库来构建词表，然后打印前⼏个⾼频词元及其索引。

vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[:10])

这里空格是出现次数最多的，然后就是'the'，

现在，我们可以将每⼀条⽂本⾏转换成⼀个数字索引列表。

for i in [0, 10]:
    print('words:', tokens[i])
    print('indices:', vocab[tokens[i]])

回到顶部

整合所有功能

在使用上述函数时，我们将所有功能打包到load_corpus_time_machine函数中，该函数返回corpus（词元索引列表）和vocab（时光机器语料库的词表）。我们在这⾥所做的改变是：

1. 为了简化后⾯章节中的训练，我们使⽤字符（⽽不是单词）实现⽂本词元化；
2. 时光机器数据集中的每个⽂本⾏不⼀定是⼀个句⼦或⼀个段落，还可能是⼀个单词，因此返回的corpus仅处理为单个列表，⽽不是使⽤多词元列表构成的⼀个列表。

def load_corpus_time_machine(max_tokens=-1):  
    """返回时光机器数据集的标记索引列表和词汇表。"""
    lines = read_time_machine()
    tokens = tokenize(lines, 'char')
    vocab = Vocab(tokens)
    corpus = [vocab[token] for line in tokens for token in line]
    if max_tokens > 0:
        corpus = corpus[:max_tokens]
    return corpus, vocab

corpus, vocab = load_corpus_time_machine()
len(corpus), len(vocab)

# (170580, 28)

总结
• 文本是序列数据的⼀种最常见的形式之⼀。
• 为了对文本进行预处理，我们通常将文本拆分为词元，构建词表将词元字符串映射为数字索引，并将文本数据转换为词元索引以供模型操作。
• 一定要注意我们训练和测试要在同一个vocab上进行。