Kodowanie danych tekstowych

Uczenie głębokie dla tekstu z PyTorch

Shubham Jain

Data Scientist

Kodowanie tekstu

Potok przetwarzania PyTorch

Przekształcanie tekstu w liczby odczytywalne maszynowo
Umożliwia analizę i modelowanie

Obraz danych sekwencyjnych do analizy

Techniki kodowania

Kodowanie one-hot: przekształca słowa w unikalne reprezentacje liczbowe
Bag-of-Words (BoW): uwzględnia częstość słów, pomijając kolejność
TF-IDF: równoważy unikalność i ważność
Embedding: konwertuje słowa na wektory oddające znaczenie semantyczne (rozdział 2)

Kodowanie one-hot

Przypisanie każdemu słowu odrębnego wektora
Wektor binarny:
- 1 oznacza obecność słowa
- 0 oznacza brak słowa

['cat', 'dog', 'rabbit']
- 'cat' [1, 0, 0]
- 'dog' [0, 1, 0]
- 'rabbit' [0, 0, 1]

Kodowanie one-hot w PyTorch

import torch
vocab = ['cat', 'dog', 'rabbit']

vocab_size = len(vocab)

one_hot_vectors = torch.eye(vocab_size)

one_hot_dict = {word: one_hot_vectors[i] for i, word in enumerate(vocab)}

print(one_hot_dict)

{'cat': tensor([1., 0., 0.]),
  'dog': tensor([0., 1., 0.]),
  'rabbit': tensor([0., 0., 1.])}

Bag-of-words

Przykład: "The cat sat on the mat"
Bag-of-words:
- {'the': 2, 'cat': 1, 'sat': 1, 'on': 1, 'mat': 1}

Każdy dokument traktowany jako nieuporządkowany zbiór słów
Skupia się na częstości, nie na kolejności

CountVectorizer

from sklearn.feature_extraction.text import CountVectorizer

vectorizer = CountVectorizer()

corpus = ['This is the first document.', 'This document is the second document.', 
'And this is the third one.', 'Is this the first document?']

X = vectorizer.fit_transform(corpus)

print(X.toarray())

print(vectorizer.get_feature_names_out())

[[0 1 1 1 0 0 1 0 1]
 [0 2 0 1 0 1 1 0 1]
 [1 0 0 1 1 0 1 1 1]
 [0 1 1 1 0 0 1 0 1]]

 ['and' 'document' 'first' 'is' 'one' 'second' 'the' 'third' 'this']

TF-IDF

Term Frequency-Inverse Document Frequency
- Ocenia ważność słów w dokumencie
- Rzadkie słowa mają wyższy wynik
- Częste słowa mają niższy wynik
- Wyróżnia słowa informatywne

TfidfVectorizer

from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer = TfidfVectorizer()

corpus = ['This is the first document.','This document is the second document.',
'And this is the third one.','Is this the first document?']

X = vectorizer.fit_transform(corpus)

print(X.toarray())

print(vectorizer.get_feature_names_out())

[[0.         0.         0.68091856 0.51785612 0.51785612 0.        ]
 [0.         0.         0.          0.51785612 0.51785612 0.68091856]
 [0.85151335 0.42575668 0.         0.32274454 0.32274454 0.        ]
 [0.         0.         0.68091856 0.51785612 0.51785612 0.        ]]

['and' 'document' 'first' 'is' 'one' 'second']

TfidfVectorizer

Kod TF-IDF

Techniki kodowania

Techniki: kodowanie one-hot, bag-of-words i TF-IDF

Pozwala modelom rozumieć i przetwarzać tekst
Należy wybrać jedną technikę, aby uniknąć redundancji
Istnieją kolejne techniki

Czas na ćwiczenia!

Uczenie głębokie dla tekstu z PyTorch