自然语言处理实战：Python 与 NLP 结合

最新推荐文章于 2025-05-17 22:53:46 发布

键盘劝退师

最新推荐文章于 2025-05-17 22:53:46 发布

阅读量325

点赞数 4

文章标签：自然语言处理 python 人工智能

本文链接：https://blog.youkuaiyun.com/2501_91164766/article/details/146690717

版权

```html 自然语言处理实战：Python 与 NLP 结合

自然语言处理实战：Python 与 NLP 结合

自然语言处理（Natural Language Processing，简称NLP）是人工智能领域中的一个重要分支，旨在让计算机能够理解、生成人类的自然语言。随着深度学习技术的发展，NLP在文本分类、情感分析、机器翻译等领域取得了显著的进展。本文将通过一个简单的项目来展示如何使用Python和流行的NLP库，如NLTK、spaCy和Transformers，实现一个基础的文本分类任务。

准备环境

在开始之前，请确保你的环境中安装了必要的Python库。可以使用以下命令安装：


pip install nltk spacy transformers scikit-learn pandas
python -m spacy download en_core_web_sm

此外，建议安装Jupyter Notebook以便更好地运行代码示例。

数据集选择

我们将使用IMDB电影评论数据集来进行文本分类任务。该数据集包含50,000条带有正面或负面情感标签的电影评论。我们可以从Kaggle或其他公开资源获取此数据集。

数据预处理

首先，我们需要加载并检查数据集。然后进行一些基本的数据清理工作，例如去除HTML标签、标点符号以及转换为小写等。


import pandas as pd

# 加载数据
df = pd.read_csv('imdb.csv')

# 查看前几行数据
print(df.head())

接下来，我们将文本转换为适合模型输入的形式。这里我们使用NLTK库对文本进行分词和去停用词处理。


import nltk
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize

nltk.download('punkt')
nltk.download('stopwords')

def preprocess(text):
    words = word_tokenize(text)
    words = [word.lower() for word in words if word.isalpha()]
    stop_words = set(stopwords.words('english'))
    return [word for word in words if word not in stop_words]

df['processed'] = df['review'].apply(preprocess)

特征提取

为了训练模型，我们需要将文本转换成数值形式。这里我们使用TF-IDF向量化方法。


from sklearn.feature_extraction.text import TfidfVectorizer

vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(df['processed'].apply(lambda x: ' '.join(x)))
y = df['label']

模型训练

现在我们可以使用Scikit-Learn库中的朴素贝叶斯分类器来训练我们的模型。


from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

model = MultinomialNB()
model.fit(X_train, y_train)

predictions = model.predict(X_test)
print("Accuracy:", accuracy_score(y_test, predictions))

使用深度学习进行改进

虽然传统的机器学习方法已经足够有效，但近年来基于深度学习的方法在NLP任务中表现出了更强的能力。下面我们尝试使用Hugging Face的Transformers库来构建一个基于BERT的文本分类器。


from transformers import BertTokenizer, BertForSequenceClassification
from transformers import Trainer, TrainingArguments

tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2)

train_encodings = tokenizer(df['processed'].tolist(), truncation=True, padding=True)
test_encodings = tokenizer(df['processed'].tolist(), truncation=True, padding=True)

class IMDbDataset(torch.utils.data.Dataset):
    def __init__(self, encodings, labels):
        self.encodings = encodings
        self.labels = labels

    def __getitem__(self, idx):
        item = {key: torch.tensor(val[idx]) for key, val in self.encodings.items()}
        item['labels'] = torch.tensor(self.labels[idx])
        return item

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

train_dataset = IMDbDataset(train_encodings, y_train.tolist())
test_dataset = IMDbDataset(test_encodings, y_test.tolist())

training_args = TrainingArguments(
    output_dir='./results',
    num_train_epochs=3,
    per_device_train_batch_size=16,
    per_device_eval_batch_size=64,
    warmup_steps=500,
    weight_decay=0.01,
    logging_dir='./logs',
    logging_steps=10,
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=train_dataset,
    eval_dataset=test_dataset,
)

trainer.train()