文本预处理 Text Preprocessing

Posted 2020-12-11 mrdoghead

为什么要预处理？

我们知道，大部分NLP任务都是以文本形式输入的，然鹅language is compositional！我们理解文本通常能够把文本拆分成多个构成的部分去理解，那么机器也可以这么做，而预处理就是第一步操作！

常规步骤

1. 去除不需要的格式信息

如html

2. 把文本拆分成句子

可以通过rules拆分：标点、正则匹配、词典，也可以使用机器学习的方法进行拆分，如决策树、逻辑回归，使用特征：标点前后的词、词的形式（大小写，长度）、POS标签。

3. 把句子拆分成token

英语可以根据空格拆分，或者根据一些其他的标点符号，也可以细分出数字、日期、城市、网址等信息

进一步细分还可以使用 byte-pair encoding（BPE）方法：

BPE最早是一种压缩算法，基本思路是把经常出现的byte pair用一个新的byte来代替，例如假设(‘A‘, ’B‘）经常顺序出现，则用一个新的标志‘AB‘来代替它们。
给定了文本库，我们的初始词汇库仅包含所有的单个的字符，然后不断的将出现频率最高的n-gram pair作为新的ngram加入到词汇库中，直到词汇库的大小达到我们所设定的某个目标为止。
例如，假设我们的文本库中出现的单词及其出现次数为 {‘l o w‘: 5, ‘l o w e r‘: 2, ‘n e w e s t‘: 6, ‘w i d e s t‘: 3}，我们的初始词汇库为{ ‘l‘, ‘o‘, ‘w‘, ‘e‘, ‘r‘, ‘n‘, ‘w‘, ‘s‘, ‘t‘, ‘i‘, ‘d‘}，出现频率最高的>ngram pair是(‘e‘,‘s‘) 9次，所以我们将‘es‘作为新的词汇加入到词汇库中，由于‘es‘作为一个整体出现在词汇库中，这时文本库可表示为 {‘l o w‘: 5, ‘l o w e r‘: 2, ‘n e w es t‘: 6, ‘w i d es t‘: 3}，>这时出现频率最高的ngram pair是(‘es‘,‘t‘) 9次，将‘est‘加入到词汇库中，文本库更新为{‘l o w‘: 5, ‘l o w e r‘: 2, ‘n e w est‘: 6, ‘w i d est‘: 3}，新的出现频率最高的ngram pair是(‘l‘,‘o‘)7, 将‘lo‘加>入到词汇库中，文本库更新为{‘lo w‘: 5, ‘lo w e r‘: 2, ‘n e w est‘: 6, ‘w i d est‘: 3}。以此类推，直到词汇库大小达到我们所设定的目标。这个例子中词汇量较小，对于词汇量很大的实际情况，>我们就可以通过BPE逐步建造一个较小的基于subword unit的词汇库来表示所有的词汇。
cite from https://zhuanlan.zhihu.com/p/69414965

4. word normalisation

token形式转化，如大小写、去除morphology、检查拼写、检查缩写，目的就是为了减少词汇量以及把token都变成统一形态。

morphology相当于是词形的转化，比如英语中的前缀re-，un-，后缀-ly，-er……，以及-ies变-y，那么去除这个的过程叫stemming，比较有名的有Porter Stemmer，这里不再展开。

对于英语文本，这里再介绍一下lemmatisation，removing any inflection to reach the uninflected form, the lemma。举几个例子，speaking变成speak，stopping变成stop，was变成be，watches变成watch……

检查拼写的常用方法：string distance如levenshtein，n-gram模型，phonetic模型……

5. 去除stopwords（不需要的token）

可以使用一些NLP工具如NLTK，spaCy来完成

总结

预处理基本上是NLP任务中不可避免的一步，而且可能会对后续产生很大的影响，而具体需要做哪些处理要根据任务来定！就这样！