NLP之词袋模型和TF-IDF模型

Posted 2021-04-28 兜哥带你学安全

导语：

NLP是AI安全领域的一个重要支撑技术。本文讲介绍NLP中的词袋和TF-IDF模型。

词袋模型

文本特征提取有两个非常重要的模型：

• 词集模型：单词构成的集合，集合自然每个元素都只有一个，也即词集中的每个单词都只有一个。

• 词袋模型：在词集的基础上如果一个单词在文档中出现不止一次，统计其出现的次数（频数）。

两者本质上的区别，词袋是在词集的基础上增加了频率的维度，词集只关注有和没有，词袋还要关注有几个。

假设我们要对一篇文章进行特征化，最常见的方式就是词袋。

导入相关的函数库：

>>> from sklearn.feature_extraction.text import CountVectorizer

实例化分词对象：

>>> vectorizer = CountVectorizer(min_df=1)

>>> vectorizer                    

CountVectorizer(analyzer=...'word', binary=False, decode_error=...'strict',

       dtype=<... 'numpy.int64'>, encoding=...'utf-8', input=...'content',

       lowercase=True, max_df=1.0, max_features=None, min_df=1,

       ngram_range=(1, 1), preprocessor=None, stop_words=None,

       strip_accents=None, token_pattern=...'(?u)\\b\\w\\w+\\b',

       tokenizer=None, vocabulary=None)

将文本进行词袋处理：

>>> corpus = [

...     'This is the first document.',

...     'This is the second second document.',

...     'And the third one.',

...     'Is this the first document?',

... ]

>>> X = vectorizer.fit_transform(corpus)

>>> X                            

<4x9 sparse matrix of type '<... 'numpy.int64'>'

   with 19 stored elements in Compressed Sparse ... format>

获取对应的特征名称：

>>> vectorizer.get_feature_names() == (

...     ['and', 'document', 'first', 'is', 'one',

...      'second', 'the', 'third', 'this'])

True

获取词袋数据，至此我们已经完成了词袋化：

>>> X.toarray()          

array([[0, 1, 1, 1, 0, 0, 1, 0, 1],

      [0, 1, 0, 1, 0, 2, 1, 0, 1],

      [1, 0, 0, 0, 1, 0, 1, 1, 0],

      [0, 1, 1, 1, 0, 0, 1, 0, 1]]...)

但是如何可以使用现有的词袋的特征，对其他文本进行特征提取呢？我们定义词袋的特征空间叫做词汇表vocabulary：

vocabulary=vectorizer.vocabulary_

针对其他文本进行词袋处理时，可以直接使用现有的词汇表：

>>> new_vectorizer = CountVectorizer(min_df=1, vocabulary=vocabulary)

CountVectorize函数比较重要的几个参数为：

• decode_error，处理解码失败的方式，分为‘strict’、‘ignore’、‘replace’三种方式。

• strip_accents，在预处理步骤中移除重音的方式。

• max_features，词袋特征个数的最大值。

• stop_words，判断word结束的方式。

• max_df，df最大值。

• min_df，df最小值 。

• binary，默认为False，当与TF-IDF结合使用时需要设置为True。

本例中处理的数据集均为英文，所以针对解码失败直接忽略，使用ignore方式，stop_words的方式使用english，strip_accents方式为ascii方式。

TF-IDF模型

文本处理领域还有一种特征提取方法，叫做TF-IDF模型（term frequency–inverse document frequency，词频与逆向文件频率）。TF-IDF是一种统计方法，用以评估某一字词对于一个文件集或一个语料库的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。TF-IDF加权的各种形式常被搜索引擎应用，作为文件与用户查询之间相关程度的度量或评级。

TF-IDF的主要思想是，如果某个词或短语在一篇文章中出现的频率TF(Term Frequency，词频)，词频高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。TF-IDF实际上是：TF * IDF。TF表示词条在文档d中出现的频率。IDF（inverse document frequency，逆向文件频率）的主要思想是：如果包含词条t的文档越少，也就是n越小，IDF越大，则说明词条t具有很好的类别区分能力。如果某一类文档C中包含词条t的文档数为m，而其他类包含t的文档总数为k，显然所有包含t的文档数n=m+k，当m大的时候，n也大，按照IDF公式得到的IDF的值会小，就说明该词条t类别区分能力不强。但是实际上，如果一个词条在一个类的文档中频繁出现，则说明该词条能够很好代表这个类的文本的特征，这样的词条应该给它们赋予较高的权重，并选来作为该类文本的特征词以区别与其他类文档。

在Scikit-Learn中实现了TF-IDF算法，实例化TfidfTransformer即可：

>>> from sklearn.feature_extraction.text import TfidfTransformer

>>> transformer = TfidfTransformer(smooth_idf=False)

>>> transformer    

TfidfTransformer(norm=...'l2', smooth_idf=False, sublinear_tf=False, use_idf=True)

TF-IDF模型通常和词袋模型配合使用，对词袋模型生成的数组进一步处理：

>>> counts = [[3, 0, 1],

...           [2, 0, 0],

...           [3, 0, 0],

...           [4, 0, 0],

...           [3, 2, 0],

...           [3, 0, 2]]

...

>>> tfidf = transformer.fit_transform(counts)

>>> tfidf                        

<6x3 sparse matrix of type '<... 'numpy.float64'>'     with 9 stored elements in Compressed Sparse ... format>

>>> tfidf.toarray()                        

array([[ 0.81940995,  0.        ,  0.57320793],      

[ 1.        ,  0.        ,  0.        ],      

[ 1.        ,  0.        ,  0.        ],  

[ 1.        ,  0.        ,  0.        ],      

[ 0.47330339,  0.88089948,  0.        ],      

[ 0.58149261,  0.        ,  0.81355169]])

词汇表模型

词袋模型可以很好的表现文本由哪些单词组成，但是却无法表达出单词之间的前后关系，于是人们借鉴了词袋模型的思想，使用生成的词汇表对原有句子按照单词逐个进行编码。TensorFlow默认支持了这种模型：

tf.contrib.learn.preprocessing.VocabularyProcessor (

                                         max_document_length,    

                                         min_frequency=0,

                                         vocabulary=None,

                                         tokenizer_fn=None)

其中各个参数的含义为：

• max_document_length:，文档的最大长度。如果文本的长度大于最大长度，那么它会被剪切，反之则用0填充。

• min_frequency，词频的最小值，出现次数小于最小词频则不会被收录到词表中。

• vocabulary，CategoricalVocabulary 对象。

• tokenizer_fn，分词函数。

假设有如下句子需要处理：

x_text =[

   'i love you',

   'me too'

]

基于以上句子生成词汇表，并对'i me too'这句话进行编码：

vocab_processor = learn.preprocessing.VocabularyProcessor(max_document_length)

vocab_processor.fit(x_text)

print next(vocab_processor.transform(['i me too'])).tolist()

x = np.array(list(vocab_processor.fit_transform(x_text)))

print x

运行程序，x_text使用词汇表编码后的数据为：

[[1 2 3 0]

[4 5 0 0]]

'i me too'这句话编码的结果为：

[1, 4, 5, 0]

整个过程如下图所示。

 

机器学习入门       

主要以机器学习常见算法为主线，利用生活中的例子和具体安全场景来介绍机器学习常见算法，是机器学习入门书籍，便于读者可以快速上手。

 

深度学习实战      

本书将重点介绍深度学习，并以具体的11个案例介绍机器学习的应用，定位是面向具有一定机器学习基础或者致力于使用机器学习解决工作中问题的读者。

 

强化学习与GAN   

重点介绍强化学习和生成对抗网络的基础知识和实际应用，从AI攻防的基础知识，到智能工具的打造，全面介绍如何使用AI做建设的方法。