텍스트 처리 파이프라인 소개

PyTorch로 배우는 텍스트 딥러닝

Shubham Jain

Data Scientist

요약: 전처리

전처리 파이프라인

전처리:
- 토큰화
- 불용어 제거
- 스테밍
- 희귀어 제거

텍스트 처리 파이프라인

인코딩 파이프라인

인코딩:
- 원-핫 인코딩
- BoW(단어 가방)
- TF-IDF
임베딩

텍스트 처리 파이프라인

데이터 처리 파이프라인

처리·인코딩된 텍스트를 담는 Dataset
DataLoader: 배치, 셔플, 멀티프로세싱

요약: Dataset과 DataLoader 구현

# Import libraries
from torch.utils.data import Dataset, DataLoader

# Create a class
class TextDataset(Dataset):

    def __init__(self, text):
        self.text = text

    def __len__(self):
        return len(self.text)

    def __getitem__(self, idx):
        return self.text[idx]

요약: Dataset과 DataLoader 연동

dataset = TextDataset(encoded_text)

dataloader = DataLoader(dataset, batch_size=2, shuffle=True)

헬퍼 함수 사용하기

def preprocess_sentences(sentences):
    processed_sentences = []
    for sentence in sentences:
        sentence = sentence.lower()
        tokens = tokenizer(sentence)
        tokens = [token for token in tokens 
                  if token not in stop_words]
        tokens = [stemmer.stem(token) 
                  for token in tokens]
        freq_dist = FreqDist(tokens)
        threshold = 2
        tokens = [token for token in tokens if 
        freq_dist[token] > threshold]
        processed_sentences.append(
                   ' '.join(tokens))
    return processed_sentences

def encode_sentences(sentences):
    vectorizer = CountVectorizer()
    X = vectorizer.fit_transform(sentences)
    encoded_sentences = X.toarray()
    return encoded_sentences, vectorizer

def extract_sentences(data):
    sentences = re.findall(r'[A-Z][^.!?]*[.!?]', 
                           data)
    return sentences

텍스트 처리 파이프라인 구성

def text_processing_pipeline(text):

    tokens = preprocess_sentences(text)

    encoded_sentences, vectorizer = encode_sentences(tokens)

    dataset = TextDataset(encoded_sentences)

    dataloader = DataLoader(dataset, batch_size=2, shuffle=True)

    return dataloader, vectorizer

텍스트 처리 파이프라인 적용

text_data = "This is the first text data. And here is another one."

sentences = extract_sentences(text_data)
dataloaders, vectorizer = [text_processing_pipeline(text) for text in sentences]

print(next(iter(dataloader))[0, :10])

[[1, 1, 1, 1, 1], [0, 0, 0, 1, 1]]

텍스트 처리 파이프라인: 마무리!

전체 파이프라인

연습해 봅시다!

PyTorch로 배우는 텍스트 딥러닝