【自然语言处理】P1 对文本编码（One-Hot 与 TF-IDF）
对文本编码，目标是将自然语言文本表示为向量，从而便于继续处理和分析文本数据。三种常用对文本编码方法如下：
独热表示（One-hot）
独热表示（One-hot encoding）将句子中的每个单词转换为一个固定长度的二进制向量，其中每个向量表示句子中单词的独热编码。这个过程通常包括建立词库、独热编码两个步骤：
# 以这两个句子建立独热表示：
Time flies like an arrow.
Fruit flies like a banana.
- 建立词库：首先建立一个词库，包含两个句子中出现所有的单词。一般来说，词库中所有字符小写，且不包含逗号等标点字符。
# 上述两个句子的词库为：
{time, fruit, flies, like, a, an, arrow, banana}
- 独热编码：对于句子中每个单词，创建一个二进制向量，其长度等于词库的大小。在这个向量中，单词在词库中的位置对应一个1，其余位置都是0。这样，每个单词都得到了唯一的独热编码。
# 两个句子的独热编码为：
Time flies like an arrow.
[1, 0, 1, 1, 0, 1, 1, 0]
Fruit flies like a banana.
[0, 1, 1, 1, 1, 0, 0, 1]
独热编码可以确保每个单词都有一个唯一的向量表示，但它的缺点在于，没有捕捉到单词之间的任何语义关系。
TF-IDF
TF-IDF（Term Frequency-Inverse Document Frequency）用于评估一个词对于一个文档集合中一个文档的重要程度。
计算 TF-IDF，我们需要遵循以下五个步骤：
- 分词（Tokenization）：将文本分解为单词或词组。
- 创建文档频率（DF）表：记录每个词在整个文档集合中出现的文档数量。
- 计算词频（TF）：对于每个词，计算它在每个文档中的出现次数除以该文档的总词数。
-
计算逆文档频率（IDF）：使用公式
I
D
F
=
log
N
N
D
F
IDF = log_N frac{N}{DF}
IDF=logNDFN 来计算，其中N
N
N 是文档集合的大小，D
F
DF
DF 是词的文档频率。 - 计算TF-IDF：将 TF 和 IDF 相乘得到 TF-IDF 值。
e
.
g
.
e.g.
e.g. 假设我们有以下文档集合：
文档1："The quick brown fox jumps over the lazy dog."
文档2："The quick brown fox jumps over the lazy dog again."
文档3："The quick brown fox jumps over the lazy dog for the third time."
我们将使用这些句子来计算词 “fox” 的 TF-IDF 值，五个步骤如下：
- 分词：
文档1：["The", "quick", "brown", "fox", "jumps", "over", "the", "lazy", "dog."]
文档2：["The", "quick", "brown", "fox", "jumps", "over", "the", "lazy", "dog", "again."]
文档3：["The", "quick", "brown", "fox", "jumps", "over", "the", "lazy", "dog", "for", "the", "third", "time."]
-
创建 DF 表：
- “fox” 在 文档1、2、3中都出现了，所以 DF = 3。
-
计算 TF：
- 文档1中 “fox” 的 TF = 1/9 = 0.1111
- 文档2中 “fox” 的 TF = 1/10 = 0.1
- 文档3中 “fox” 的 TF = 1/12 = 0.0833
-
计算 IDF：
-
I
D
F
=
l
o
g
N
(
N
D
F
)
IDF = log_N (frac N {DF})
IDF=logN(DFN)
- 假设整个文档集合的大小 N = 1000，那么
I
D
F
=
l
o
g
1000
(
1000
3
)
≈
1.5849
IDF = log_{1000} (frac {1000} 3) ≈ 1.5849
IDF=log1000(31000)≈1.5849
-
-
计算 TF-IDF：
- 文档1中 “fox” 的 TF-IDF = 0.1111 * 1.5849 ≈ 0.176
- 文档2中 “fox” 的 TF-IDF = 0.1 * 1.5849 ≈ 0.1585
- 文档3中 “fox” 的 TF-IDF = 0.0833 * 1.5849 ≈ 0.132
因此，词 “fox” 在文档1、文档2和文档3中的 TF-IDF 值分别是 0.176、 0.1585 和 0.132。
TF-IDF值越高，意味着这个词在对应文档中的重要性越高。
此外
此外，还有很多其他对文本编码方法，如：
[1] RNN、LSTM 深度学习模型通过训练，可以捕捉文本中长期依赖关系，并生成能够反映文本含义的复杂向量表示。
[2] 注意力机制 使模型能够关注输入序列中不同部分，帮助模型集中在最重要的单词或词组上，从而生成更有效的向量表示。
[3] 词嵌入方法如 Word2Vec 和 GloVe 将单词映射到连续向量空间，相似的单词会有相似的向量表示。能够有效捕捉单词的语义和句法关系。
这些方法都将在后续博文中单独介绍。
发布：2024/2/2
版本：第一版
如有任何疑问，请联系我，谢谢！