Кодирование текстовых данных

Глубокое обучение для работы с текстом на PyTorch

Shubham Jain

Data Scientist

Кодирование текста

Конвейер обработки данных в PyTorch

Преобразование текста в числа, понятные машине
Возможность анализа и построения моделей

Изображение последовательных данных для поиска закономерностей

Методы кодирования

Унитарное кодирование (one-hot): преобразует слова в уникальные числовые представления
Мешок слов (BoW): учитывает частоту слов, игнорируя порядок
TF-IDF: балансирует уникальность и значимость
Эмбеддинг: представляет слова в виде векторов, сохраняя семантику (глава 2)

Унитарное кодирование

Каждому слову сопоставляется уникальный вектор
Бинарный вектор:
- 1 — слово присутствует
- 0 — слово отсутствует

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

Унитарное кодирование с 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.])}

Мешок слов

Пример: «The cat sat on the mat»
Мешок слов:
- {'the': 2, 'cat': 1, 'sat': 1, 'on': 1, 'mat': 1}

Документ рассматривается как неупорядоченный набор слов
Акцент на частоте, а не на порядке

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
- Оценивает важность слов в документе
- Редкие слова получают более высокий балл
- Частые слова — более низкий
- Выделяет информативные слова

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

Код TF-IDF

Методы кодирования

Методы: унитарное кодирование, мешок слов и TF-IDF

Позволяют моделям понимать и обрабатывать текст
Выбирайте один метод, чтобы избежать избыточности
Существуют и другие подходы

Давайте потренируемся!

Глубокое обучение для работы с текстом на PyTorch