0基础跟德姆(dom)一起学AI 自然语言处理05-文本特征处理

1 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.

  • 举个例子:

    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]

  • 提取n-gram特征:

    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

    复制代码
      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)]))
  • 调用:

    input_list = [1, 3, 2, 1, 5, 3]
    res = create_ngram_set(input_list)
    print(res)

  • 输出效果:
复制代码
# 该输入列表的所有bi-gram特征
{(3, 2), (1, 3), (2, 1), (1, 5), (5, 3)}

2 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.

  • 文本长度规范的实现:

    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10

    cutlen = 10

    def padding(x_train):
    """
    description: 对输入文本张量进行长度规范
    :param x_train: 文本的张量表示, 形如: [[1, 32, 32, 61], [2, 54, 21, 7, 19]]
    :return: 进行截断补齐后的文本张量表示
    """
    # 使用sequence.pad_sequences即可完成
    return sequence.pad_sequences(x_train, cutlen)

  • 调用:
复制代码
# 假定x_train里面有两条文本, 一条长度大于10, 一天小于10
x_train = [[1, 23, 5, 32, 55, 63, 2, 21, 78, 32, 23, 1],
           [2, 32, 1, 23, 1]]

res = padding(x_train)
print(res)
  • 输出效果:
复制代码
[[ 5 32 55 63  2 21 78 32 23  1]
 [ 0  0  0  0  0  2 32  1 23  1]]
相关推荐
胖达不服输4 分钟前
「日拱一码」020 机器学习——数据处理
人工智能·python·机器学习·数据处理
吴佳浩11 分钟前
Python入门指南-番外-LLM-Fingerprint(大语言模型指纹):从技术视角看AI开源生态的边界与挑战
python·llm·mcp
吴佳浩41 分钟前
Python入门指南-AI模型相似性检测方法:技术原理与实现
人工智能·python·llm
叶 落1 小时前
计算阶梯电费
python·python 基础·python 入门
kebijuelun1 小时前
百度文心 4.5 大模型详解:ERNIE 4.5 Technical Report
人工智能·深度学习·百度·语言模型·自然语言处理·aigc
算家计算1 小时前
ComfyUI-v0.3.43本地部署教程:新增 Omnigen 2 支持,复杂图像任务一步到位!
人工智能·开源
新智元1 小时前
毕业 7 年,身价破亿!清北 AI 天团血洗硅谷,奥特曼被逼分天价股份
人工智能·openai
新智元1 小时前
刚刚,苹果大模型团队负责人叛逃 Meta!华人 AI 巨星 + 1,年薪飙至 9 位数
人工智能·openai
Python大数据分析@2 小时前
Origin、MATLAB、Python 用于科研作图,哪个最好?
开发语言·python·matlab
Cyltcc2 小时前
如何安装和使用 Claude Code 教程 - Windows 用户篇
人工智能·claude·visual studio code