文本预处理

句子分割text_to_word_sequence

  1. keras.preprocessing.text.text_to_word_sequence(text,
  2.                                                filters='!"#$%&()*+,-./:;<=>?@[\]^_`{|}~\t\n',
  3.                                                lower=True,
  4.                                                split=" ")

本函数将一个句子拆分成单词构成的列表

参数

  • text：字符串，待处理的文本

  • filters：需要滤除的字符的列表或连接形成的字符串，例如标点符号。默认值为 '!"#$%&()*+,-./:;<=>?@[]^_`{|}~\t\n'，包含标点符号，制表符和换行符等

  • lower：布尔值，是否将序列设为小写形式

  • split：字符串，单词的分隔符，如空格

返回值

字符串列表

one-hot编码

  1. keras.preprocessing.text.one_hot(text,
  2.                                  n,
  3.                                  filters='!"#$%&()*+,-./:;<=>?@[\]^_`{|}~\t\n',
  4.                                  lower=True,
  5.                                  split=" ")

本函数将一段文本编码为one-hot形式的码，即仅记录词在词典中的下标。

【Tips】从定义上，当字典长为n时，每个单词应形成一个长为n的向量，其中仅有单词本身在字典中下标的位置为1，其余均为0，这称为one-hot。

为了方便起见，函数在这里仅把“1”的位置，即字典中词的下标记录下来。

参数

  • n：整数，字典长度

返回值

整数列表，每个整数是[1,n]之间的值，代表一个单词（不保证唯一性，即如果词典长度不够，不同的单词可能会被编为同一个码）。

特征哈希hashing_trick

  1. keras.preprocessing.text.hashing_trick(text,
  2.                                        n,
  3.                                        hash_function=None,
  4.                                        filters='!"#$%&()*+,-./:;<=>?@[\]^_`{|}~\t\n',
  5.                                        lower=True,
  6.                                        split=' ')

将文本转换为固定大小的哈希空间中的索引序列

参数

  • n: 哈希空间的维度

  • hash_function: 默认为 python hash 函数, 可以是 'md5' 或任何接受输入字符串, 并返回 int 的函数. 注意 hash 不是一个稳定的哈希函数, 因此在不同执行环境下会产生不同的结果, 作为对比, 'md5' 是一个稳定的哈希函数.

返回值

整数列表

分词器Tokenizer

  1. keras.preprocessing.text.Tokenizer(num_words=None,
  2.                                    filters='!"#$%&()*+,-./:;<=>?@[\]^_`{|}~\t\n',
  3.                                    lower=True,
  4.                                    split=" ",
  5.                                    char_level=False)

Tokenizer是一个用于向量化文本，或将文本转换为序列（即单词在字典中的下标构成的列表，从1算起）的类。

构造参数

  • 与text_to_word_sequence同名参数含义相同

  • num_words：None或整数，处理的最大单词数量。若被设置为整数，则分词器将被限制为待处理数据集中最常见的num_words个单词

  • char_level: 如果为 True, 每个字符将被视为一个标记

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

  • 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

  • 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

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。
  • 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。