Кодування текстових даних

Глибоке навчання для тексту з PyTorch

Shubham Jain

Data Scientist

Кодування тексту

Конвеєр обробки Pytorch

Перетворюйте текст на машинно-читані числа
Дозволяє аналіз і моделювання

Послідовні дані для пошуку інсайтів

Методи кодування

One-hot encoding: перетворює слова на унікальні числові подання
Bag-of-Words (BoW): фіксує частоти слів, ігноруючи порядок
TF-IDF: врівноважує унікальність і важливість
Embedding: перетворює слова на вектори, що відбивають зміст (розділ 2)

One-hot encoding

Відображення кожного слова в окремий вектор
Бінарний вектор:
- 1 — слово присутнє
- 0 — слово відсутнє

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

One-hot encoding у 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

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

Кожен документ як не впорядкована сукупність слів
Зосереджується на частоті, не на порядку

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
- Оцінює важливість слів у документі
- Рідкісні слова мають вищий бал
- Поширені — нижчий
- Підкреслює інформативні 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 TFIDF

Методи кодування

Методи: one-hot encoding, bag-of-words і TF-IDF

Дають змогу моделям розуміти й обробляти текст
Оберіть один метод, щоб уникнути надлишку
Є й інші методи

Давайте потренуємось!

Глибоке навчання для тексту з PyTorch