1. 基本文本處理技能
英文分詞,常以空格分詞,中文分詞較爲複雜,常見方法有:正向最大、逆向最大、雙向最大匹配法,這些方法是基於詞典匹配而成。
正向最大:從前往後取詞,每次減一個字,直至詞典命中或剩下1個單字。
逆向最大:從後往前取詞,每次減一個字,直至詞典命中或剩下1個單子。
雙向最大匹配:正向最大與逆向最大兩種算法都進行一遍分詞,根據詞的顆粒度越大越好且單字和非字典詞越少越好,進行分詞。
2. 語言模型
n-gram模型也稱爲n-1階馬爾科夫模型,它有一個假設前提:當前詞的出現概率僅僅與前面n-1個詞相關。因此(1)式可以近似爲:
當n取1、2、3時,n-gram模型分別稱爲unigram、bigram和trigram語言模型。n-gram模型的參數就是條件概率
假設詞表的大小爲100,000,那麼n-gram模型的參數數量爲
n越大,模型越準確,也越複雜,需要的計算量越大。最常用的是bigram,其次是unigram和trigram,n取≥4的情況較少。
3. 文本矩陣化
過程:加載文本數據集->jieba分詞->去除停用詞->生成詞彙表->生成word_index->加載預訓練詞向量模型->生成詞向量矩陣
jieba:https://github.com/fxsjy/jieba
特點
-
支持三種分詞模式:
- 精確模式,試圖將句子最精確地切開,適合文本分析;
- 全模式,把句子中所有的可以成詞的詞語都掃描出來, 速度非常快,但是不能解決歧義;
- 搜索引擎模式,在精確模式的基礎上,對長詞再次切分,提高召回率,適合用於搜索引擎分詞。
-
支持繁體分詞
-
支持自定義詞典
-
MIT 授權協議
3.1 分詞,新詞發現
import jieba
seg_list = jieba.cut("我來到北京清華大學", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list)) # 全模式
seg_list = jieba.cut("我來到北京清華大學", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精確模式
seg_list = jieba.cut("他來到了網易杭研大廈") # 默認是精確模式
print(", ".join(seg_list)) #(此處,“杭研”並沒有在詞典中,但是也被Viterbi算法識別出來了)
seg_list = jieba.cut_for_search("小明碩士畢業於中國科學院計算所,後在日本京都大學深造") # 搜索引擎模式
print(", ".join(seg_list))
#output
Full Mode: 我/ 來到/ 北京/ 清華/ 清華大學/ 華大/ 大學
Default Mode: 我/ 來到/ 北京/ 清華大學
他, 來到, 了, 網易, 杭研, 大廈
小明, 碩士, 畢業, 於, 中國, 科學, 學院, 科學院, 中國科學院, 計算, 計算所, ,, 後, 在, 日本, 京都, 大學, 日本京都大學, 深造
3.2 添加自定義詞字典
- 開發者可以指定自己自定義的詞典,以便包含 jieba 詞庫裏沒有的詞。雖然 jieba 有新詞識別能力,但是自行添加新詞可以保證更高的正確率
- 用法: jieba.load_userdict(file_name) # file_name 爲文件類對象或自定義詞典的路徑
- 詞典格式和
dict.txt
一樣,一個詞佔一行;每一行分三部分:詞語、詞頻(可省略)、詞性(可省略),用空格隔開,順序不可顛倒。file_name
若爲路徑或二進制方式打開的文件,則文件必須爲 UTF-8 編碼。 - 詞頻省略時使用自動計算的能保證分出該詞的詞頻
#userdict.txt
雲計算 5
李小福 2 nr
創新辦 3 i
easy_install 3 eng
好用 300
韓玉賞鑑 3 nz
八一雙鹿 3 nz
臺中
凱特琳 nz
Edu Trust認證 2000
# 未添加字典前
import jieba
test_sent = (
"李小福是創新辦主任也是雲計算方面的專家; 什麼是八一雙鹿\n"
"例如我輸入一個帶“韓玉賞鑑”的標題,在自定義詞庫中也增加了此詞爲N類\n"
"「臺中」正確應該不會被切開。mac上可分出「石墨烯」;此時又可以分出來凱特琳了。"
)
words = jieba.cut(test_sent)
print('/'.join(words))
#output
李小福/是/創新/辦/主任/也/是/雲/計算/方面/的/專家/;/ /什麼/是/八/一雙/鹿/
/例如/我/輸入/一個/帶/“/韓玉/賞鑑/”/的/標題/,/在/自定義詞/庫中/也/增加/了/此/詞爲/N/類/
/「/臺/中/」/正確/應該/不會/被/切開/。/mac/上/可/分出/「/石墨/烯/」/;/此時/又/可以/分出/來凱/特琳/了/。
#添加詞典
import jieba
jieba.load_userdict("userdict.txt")
jieba.add_word('石墨烯')
jieba.add_word('凱特琳')
jieba.del_word('自定義詞')
test_sent = (
"李小福是創新辦主任也是雲計算方面的專家; 什麼是八一雙鹿\n"
"例如我輸入一個帶“韓玉賞鑑”的標題,在自定義詞庫中也增加了此詞爲N類\n"
"「臺中」正確應該不會被切開。mac上可分出「石墨烯」;此時又可以分出來凱特琳了。"
)
words = jieba.cut(test_sent)
print('/'.join(words))
#output
李小福/是/創新辦/主任/也/是/雲計算/方面/的/專家/;/ /什麼/是/八一雙鹿/
/例如/我/輸入/一個/帶/“/韓玉賞鑑/”/的/標題/,/在/自定義/詞庫/中/也/增加/了/此/詞爲/N/類/
/「/臺中/」/正確/應該/不會/被/切開/。/mac/上/可/分出/「/石墨烯/」/;/此時/又/可以/分出/來/凱特琳/了/。
3.3 去除停用詞
import jieba
jieba.load_userdict("userdict.txt")
test_sent = "李小福是創新辦主任也是雲計算方面的專家; 什麼是八一雙鹿"
stopwords = ['是','了','什麼','的']
words = jieba.cut(test_sent)
new_test_sent = []
for w in words:
if w in stopwords:
pass
else:
new_test_sent.append(w)
print('test_sent: {}'.format("/".join(jieba.cut(test_sent))))
print('new_test_sent: {}'.format("/".join(new_test_sent)))
#output
test_sent: 李小福/是/創新辦/主任/也/是/雲計算/方面/的/專家/;/ /什麼/是/八一雙鹿
new_test_sent: 李小福/創新辦/主任/也/雲計算/方面/專家/;/ /八一雙鹿
3.4 文本矩陣化
from gensim import corpora, models
import jieba
jieba.load_userdict("userdict.txt")
jieba.add_word('石墨烯')
jieba.add_word('凱特琳')
jieba.del_word('自定義詞')
test_sent = [
"李小福是創新辦主任也是雲計算方面的專家; 什麼是八一雙鹿",
"例如我輸入一個帶“韓玉賞鑑”的標題,在自定義詞庫中也增加了此詞爲N類",
"「臺中」正確應該不會被切開。mac上可分出「石墨烯」;此時又可以分出來凱特琳了"
]
stopwords = ['是','了','什麼','的']
new_sents=[]
for sent in test_sent:
sent_split = list(jieba.cut(sent))
new_sent = []
for w in sent_split:
if w in stopwords:
continue
else:
new_sent.append(w)
new_sents.append(new_sent)
print('新句子: ',new_sents)
print()
# 構造詞典
dic = corpora.Dictionary(new_sents)
print('詞典: ',dic)
print('詞典token2id: ',dic.token2id)
print()
# 語料庫
corpus = [dic.doc2bow(sent) for sent in new_sents]
print('語料:',corpus)
print()
tfidf = models.TfidfModel(corpus)
print(tfidf.dfs)
#output
新句子: [['李小福', '創新辦', '主任', '也', '雲計算', '方面', '專家', ';', ' ', '八一雙鹿'], ['例如', '我', '輸入', '一個', '帶', '“', '韓玉賞鑑', '”', '標題', ',', '在', '自定義', '詞庫', '中', '也', '增加', '此', '詞爲', 'N', '類'], ['「', '臺中', '」', '正確', '應該', '不會', '被', '切開', '。', 'mac', '上', '可', '分出', '「', '石墨烯', '」', ';', '此時', '又', '可以', '分出', '來', '凱特琳']]
詞典: Dictionary(49 unique tokens: [' ', ';', '專家', '主任', '也']...)
詞典token2id: {' ': 0, ';': 1, '專家': 2, '主任': 3, '也': 4, '雲計算': 5, '八一雙鹿': 6, '創新辦': 7, '方面': 8, '李小福': 9, 'N': 10, '“': 11, '”': 12, '一個': 13, '中': 14, '例如': 15, '在': 16, '增加': 17, '帶': 18, '我': 19, '標題': 20, '此': 21, '類': 22, '自定義': 23, '詞爲': 24, '詞庫': 25, '輸入': 26, '韓玉賞鑑': 27, ',': 28, 'mac': 29, '。': 30, '「': 31, '」': 32, '上': 33, '不會': 34, '來': 35, '凱特琳': 36, '分出': 37, '切開': 38, '又': 39, '可': 40, '可以': 41, '臺中': 42, '應該': 43, '正確': 44, '此時': 45, '石墨烯': 46, '被': 47, ';': 48}
語料: [[(0, 1), (1, 1), (2, 1), (3, 1), (4, 1), (5, 1), (6, 1), (7, 1), (8, 1), (9, 1)], [(4, 1), (10, 1), (11, 1), (12, 1), (13, 1), (14, 1), (15, 1), (16, 1), (17, 1), (18, 1), (19, 1), (20, 1), (21, 1), (22, 1), (23, 1), (24, 1), (25, 1), (26, 1), (27, 1), (28, 1)], [(29, 1), (30, 1), (31, 2), (32, 2), (33, 1), (34, 1), (35, 1), (36, 1), (37, 2), (38, 1), (39, 1), (40, 1), (41, 1), (42, 1), (43, 1), (44, 1), (45, 1), (46, 1), (47, 1), (48, 1)]]
{0: 1, 1: 1, 2: 1, 3: 1, 4: 2, 5: 1, 6: 1, 7: 1, 8: 1, 9: 1, 10: 1, 11: 1, 12: 1, 13: 1, 14: 1, 15: 1, 16: 1, 17: 1, 18: 1, 19: 1, 20: 1, 21: 1, 22: 1, 23: 1, 24: 1, 25: 1, 26: 1, 27: 1, 28: 1, 29: 1, 30: 1, 31: 1, 32: 1, 33: 1, 34: 1, 35: 1, 36: 1, 37: 1, 38: 1, 39: 1, 40: 1, 41: 1, 42: 1, 43: 1, 44: 1, 45: 1, 46: 1, 47: 1, 48: 1}
個人覺得文章還不錯的,推薦一下:
N-gram Language Models:https://web.stanford.edu/~jurafsky/slp3/3.pdf
語言模型的基本概念:https://blog.csdn.net/mspinyin/article/details/6137815
自然語言處理的數學原理:https://liam.page/2015/07/26/mathematics-theory-of-natural-language-processing-2/