NLP笔记,英文文本预处理流程,文本的向量表示方法,LSTM

时间:2024-03-27 15:41:58

1 一般的英文文本预处理流程

1 数据收集

2 去除数据中非文本的部分

3 分词

4 词干提取(stemming)和词型还原(lemma)

5 转化为小写

6 去除停止词

7 删除数字与符号

8 特征工程

2 文本有哪些向量表示方法

  • one-hot,离散表示

  • bag of words,词袋模型,将每个单词表现为在词袋中出现的次数

  • n-gram,基于计数统计得到的

  • TF-IDF,基于频率统计得到的

  • 共现矩阵 (Cocurrence matrix),维度较高,加上降维,如SVD,PCA

  • 基于神经网络的词表示,word2vec,doc2vec,CBOW,skip-gram,霍夫曼树,负采样,GloVe

3 LSTM的结构

NLP笔记,英文文本预处理流程,文本的向量表示方法,LSTM

NLP笔记,英文文本预处理流程,文本的向量表示方法,LSTM

上图是LSTM的第一个门,遗忘门。这个门根据输入信息(h_t-1和x_t)决定要忘记细胞状态C_t-1的哪些部分。

接下来是信息更新门,决定了细胞状态C_t,它分为两个部分。

NLP笔记,英文文本预处理流程,文本的向量表示方法,LSTM

第一步,根据输入信息,用tanh产生该时刻需要更新到细胞状态中的内容;用sigmoid函数产生更新的比例。

NLP笔记,英文文本预处理流程,文本的向量表示方法,LSTM

第二步,将需要更新的内容更新到细胞状态中去,生成C_t。

NLP笔记,英文文本预处理流程,文本的向量表示方法,LSTM

最后,是输出门。根据新的细胞状态和输入信息,产生新的输出h_t。

收藏的RNN/LSTM,BPTT详细推导链接:https://zhuanlan.zhihu.com/p/85776566