文本处理流水线简介

使用 PyTorch 的文本深度学习

Shubham Jain

Data Scientist

回顾:预处理

预处理流水线

  • 预处理:
    • 分词
    • 去停用词
    • 词干提取
    • 罕见词移除
使用 PyTorch 的文本深度学习

文本处理流水线

预处理流水线

  • 编码:
    • 独热编码
    • 词袋模型
    • TF-IDF
  • 嵌入
使用 PyTorch 的文本深度学习

文本处理流水线

数据处理流水线

  • Dataset:已处理与编码文本的容器

  • DataLoader:批处理、打乱、多进程

使用 PyTorch 的文本深度学习

回顾:实现 Dataset 与 DataLoader

# 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]
使用 PyTorch 的文本深度学习

回顾:整合 Dataset 与 DataLoader

dataset = TextDataset(encoded_text)

dataloader = DataLoader(dataset, batch_size=2, shuffle=True)
使用 PyTorch 的文本深度学习

使用辅助函数

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
使用 PyTorch 的文本深度学习

构建文本处理流水线

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
使用 PyTorch 的文本深度学习

应用文本处理流水线

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]]
使用 PyTorch 的文本深度学习

文本处理流水线:总结

完整流水线

使用 PyTorch 的文本深度学习

Vamos praticar!

使用 PyTorch 的文本深度学习

Preparing Video For Download...