深度学习听课 | 循环神经网络和自然语言处理介绍 | 05

文本的tokenization

概念和工具的介绍

tokenization就是通常所说的分词，分出的每一个词语我们把它称为token。

常见的分词工具很多，比如：

• jieba分词：https://github.com/fxsjy/jieba
• 清华大学的分词工具THULAC：https://github.com/thunlp/THULAC-Python

中英文分词的方法

• 把句子转化为词语
  • 比如：我爱深度学习 可以分为[我，爱， 深度学习]
• 把句子转化为单个字
  • 比如：我爱深度学习的token是[我，爱，深，度，学，习]

N-garm表示方法

前面我们说，句子可以用单个字，词来表示，但是有的时候，我们可以用2个，3个或者多个词来表示。

N-gram一组一组的词语，其中的N表示能够被一起使用的词的数量。

例如：

In [59]: text = "深度学习（英语：deep learning）是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。"

In [60]: cuted = jieba.lcut(text)

In [61]: [cuted[i:i+2] for i in range(len(cuted)-1)] #N-gram 中n=2时
Out[61]:[['深度', '学习'],
 ['学习', '（'],
 ['（', '英语'],
 ['英语', '：'],
 ['：', 'deep'],
 ['deep', ' '],
 [' ', 'learning'],
 ['learning', '）'],
 ['）', '是'],
 ['是', '机器'],
 ['机器', '学习'],
 ['学习', '的'],
 ['的', '分支'],
 ['分支', '，'],
 ['，', '是'],
 ['是', '一种'],
 ['一种', '以'],
 ['以', '人工神经网络'],
 ['人工神经网络', '为'],
 ['为', '架构'],
 ['架构', '，'],
 ['，', '对'],
 ['对', '数据'],
 ['数据', '进行'],
 ['进行', '表征'],
 ['表征', '学习'],
 ['学习', '的'],
 ['的', '算法'],
 ['算法', '。']]

在传统的机器学习中，使用 N-gram 方法往往能够取得非常好的效果。在深度学习比如RNN中会自带 N-gram的效果。

向量化

因为文本不能够直接被模型计算，所以需要将其转换为向量。

将文本转换为向量有两种方法：

（1） 转换为 one-hot 编码

（2） 转换为 word embedding

one-hot编码

在one-hot编码中，每一个token使用一个长度为N的向量表示，N表示词典的数量

即：把待处理的文档进行分词或者是N-gram处理，然后进行去重得到词典，假设我们有一个文档：深度学习，那么进行one-hot处理后的结果如下：

token	one-hot encoding
深	1000
度	0100
学	0010
习	0001

word embedding

word embedding 是深度学习中表示文本常用的一种方法。和 one-hot 编码不同，word embedding使用了浮点型的稠密矩阵来表示token。根据词典的大小，我们的向量通常使用不同维度，例如100，256，300等。 其中向量的每一个值是一个参数，其初始值是随机生成的，之后再训练的过程中进行学习而获得。

如果我们文本中有20000个词语，如果使用one-hot编码，那么我们会有20000*20000的矩阵，其中大多数的位置都为0，但是如果我们使用word embedding来表示的话，只需要20000* 维度，比如20000*300

形象的表示就是：

token	num	vector
词1	0	[w11,w12,w13...w1N] ,其中N表示维度（dimension）
词2	1	[w21,w22,w23...w2N]
词3	2	[w31,w23,w33...w3N]
...	….	...
词m	m	[wm1,wm2,wm3...wmN],其中m表示词典的大小

我们会把所有的文本转化为向量，把句子用向量来表示

但是在这中间，我们会先把token使用数字来表示，再把数字使用向量来表示。

即：token---> num ---->vector

因为词向量矩阵一开始随机值，要将token和id进行一个映射。

数据的形状变化

思考：每个batch中的每个句子有10个词语，经过形状为[20，4]的Word emebedding之后，原来的句子会变成什么形状？

每个词语用长度为4的向量表示，所以，最终句子会变为[batch_size,10,4]的形状。

增加了一个维度，这个维度是embedding的dim

小结

1. 什么是tokenization? 什么是token？
tokenization就是通常说的分词，分出的每一个词语我们把它称为token
分词工具一般使用 jieba

2. 分词方法有哪些？
（1） 把句子转换为词语
（2） 把句子转换为单个字

3. N-gram是什么？ 
N-gram 其实就是把分词的token 连续几个这么使用
分词列表
['深度', '学习', '（', '英语', '：', 'deep', ' ', 'learning', '）', '是', '机器', '学习', '的', '分支', '，', '是', '一 种', '以', '人工神经网络', '为', '架构', '，', '对', '数据', '进行', '表征', '学习', '的', '算法', '。']
使用 N-gram ，n=2的分词
[['深度', '学习'], ['学习', '（'], ['（', '英语'], ['英语', '：'], ['：', 'deep'], ['deep', ' '], [' ', 'learning'], ['learning', '）'], ['）', '是'], ['是', '机器'], ['机器', '学习'], ['学习', '的'], ['的', '分支'], ['分支', '，'], ['，', '是'], ['是', '一种'], ['一种', '以'], ['以', '人工神经网络'], ['人工神经网络', '为'], ['为', '架构'], ['架构', '，'], ['，', '对'], ['对', '数据'], ['数据', '进行'], ['进行', '表征'], ['表征', '学习'], ['学习', '的'], ['的', '算法'], ['算 法', '。']]

N-gram的效果比普通分词的效果更好是因为N-gram考虑的 顺序

4. 文本向量化的方式有哪些？优缺点？ 
one-hot: 使用稀疏向量表示文本，占用空间多
word-embedding: 浮点型的稠密矩阵来表示token

5. 关于word-embedding
向量的每一个值是一个超参数，其初始值是随机生成的，之后在训练的过程中进行学习获得
api： torch.nn.Embedding(词典数量，embedding维度)

6. 思考：每个batch中的每个句子有10个词语，经过形状为[20，4]的Word emebedding之后，原来的句子会变成什么形状？
[batch_size,seq_len] -> [batch_size,seq_len,embedding_dim]