NLP基础知识1

1.中英文分词的区别：

中文：启发式 Heuristic

英文：机器学习、统计学习 HMM，CRF

2.社交网络语言的分词处理

1）用正则表达式将特殊符号归并起来

2）用re.complie将其编译一下

3）自定义tokenize，返回tokens_re.findall(s)

4) 自定义preprocess函数包括大小写的转换

3.英文变换的词型

    不影响词性

     影响词性

         词形归一化：

             stemming：词干提取，把不影响词性的小尾巴砍掉

            Lcmmatization词形归一，即把各种变形归为一个形式（wordnet）

           复数归一化Lemma

         POS Tag 词性标注

    Stopwords   he，the等歧义太多，删掉

4.一条typical的文本预处理流水线

Raw_text

Tokenize                                    POS Tag

Lemma/Stemming

stopwords

Word_List

5.文本预处理得到了一个干净的词库，接下来做特征工程，变成数字表达的词

情感分析

        sentiment dictionary（打分机制）

like 1，good 2，bad -2，  AFINN-111

    （但是打分机制存在缺陷，所以通常用ML的情感分析，这里用贝叶斯分类法：

        对句子进行处理，使其变成二值式，并给其一个label，然后放进模型里训练）

文本相似度 

   用元素频率Frequency 表示文本特征 

import nltk
nltk

from nltk import FreqDist,tokenize


corpus='you are a beautiful girl ' \
           ' I am a handsome boy  ' \
                    'you  love me'


tokens = nltk.word_tokenize(corpus)
#print(tokens)

fdist = FreqDist(tokens)
fdist


#print(fdist['alove'])
stand_vec = fdist.most_common(50)
size = len(stand_vec)
#print(stand_vec,size)
#>>>[('you', 2), ('a', 2), ('are', 1), ('beautiful', 1), ('girl', 1), ('I', 1), ('am', 1), 
#('handsome', 1), ('boy', 1), ('love', 1), ('me', 1)] 11


# 按照频率大小，记录单词的位置
def postion_lookup(V):
    res = {}
    counter = 0
    for word in V:
        res[word[0]] = counter
        counter += 1
    return res

stand_position_sict = postion_lookup(stand_vec)
stand_position_sict

sentence = 'this girl is my love girl'
freq_vector = [0] * size #建立一个与标准vector同样大小的0向量，用来记录原来那些单词出现的次数

tokens = nltk.word_tokenize(sentence)
for word in tokens:
    try:

        freq_vector[stand_position_sict[word]] += 1
    except KeyError:
        continue
        

print(freq_vector)
#>>>[0, 0, 0, 0, 2, 0, 0, 0, 0, 1, 0]

 

文本分类（大骨头，需要慢慢啃）

  TF-IDF

     TF(term Frequency):衡量term的频率

           TF（t）=（t次数）/（term次数）

     IDF（Inverse Document Frequency）：衡量term的重要性

            IDF（t）=log_e(文档总数/含有t的文档总数)

  TF-IDF= TF * IDF