本文关键词:文本数据预处理、中文文本预处理、自然语言处理

摘要: 要进行自然语言处理相关工作,文本数据预处理是个必不可少的过程。本文将对文本数据预处理相关的内容进行归纳整理,主要包括以下4个方面内容:

  • 文本数据获取
  • 常规文本数据预处理
  • 任务相关的文本数据预处理
  • 文本预处理工具

1、文本数据获取

“巧妇难为无米之炊”,要做文本数据处理,首先需要获得文本数据。对于此问题,大家可以“八仙过海,各显神通”,借助一切合法、合理方式收集数据集。一般的,可以通过:自有数据整理、公开数据爬取和开源数据引用三个渠道获取数据。

  • 自有数据:收集整理自有或者组织内部的可用数据集。

  • 爬取数据:爬虫是获取数据的重要手段,但是在执行该操作前需遵守相关法规和Robots协议,在爬取数据后合法应用数据。通常,可以通过requests、BeautifulSoup4和Selenium等python工具完成绝大多数爬取任务。


图片豆瓣电影评论爬取可参考:
https://www.cnblogs.com/fengxi177/p/16939376.html


  • 开源数据:当前已有很多公开的NLP数据集支撑相关的研究和应用分析,如github项目:
项目名 项目链接 项目概述
CLUEDatasetSearch https://github.com/CLUEbenchmark/CLUEDatasetSearch 收集了众多中英文NLP数据集
funNLP https://github.com/fighting41love/funNLP 分门别类的组织了众多的NLP数据集和项目
awesome-chinese-nlp https://github.com/crownpku/Awesome-Chinese-NLP 收集了中文自然语言处理相关资料
Chinese_medical_NLP https://github.com/lrs1353281004/Chinese_medical_NLP 收集了医疗NLP领域(主要关注中文)评测数据集与论文相关资源

由此,在收集好原始数据集后便可进行后续相关的NLP分析了。

特别的,数据集可以保存为txt、json、csv、tsv、sql表等等格式,只要你喜欢,都可以(哈哈哈,有些格式可能会比较占用内存,较大数据集时需要留意)。
图片此处分享一个csv超大文件数据读取技巧,即利用pandas的chunksize分块读取。

import pandas as pd

df = pd.read_csv("data.csv", chunksize=10000)  # 每次读取1w行数据
for df_chunk in df:
    print(df_chunk)

2、常规文本数据预处理

文本数据作为一种非结构化数据,除了特别处理过的数据集,大多数直接收集的文本数据会掺杂或多或少的无用信息,如果直接将其进行相关的文本分析于建模是无益的。通常,需要先对文本数据进行预处理操作。
文本数据预处理的主要目的一般有两个,即:
(1)将文本数据清洗干净(标准自定)
(2)将文本数据格式化(需求自定)

2.1 将文本数据清洗干净

  • 空格换行符,利用replace操作将原始文本中的空格、tab键、换行符n、r等与文本无关的字符直接替换为空。

  • 无用信息剔除,如:停用词表构建。

  • 标点符号去除,利用正则表达式去除标点符号,中英文标点符号可以通过如下两个方式获取。
    中文标点符号:from zhon.hanzo import punctuation (需要安装包:pip install zhon)
    英文标点符号:from string import punctuation
    特别的,文本情感分析中,可保留有情感倾向的标点符号,如:?和!

  • 在噪声数据中提取需要数据,利用正则表达式完成数据提取。如:只需要提取汉字时可以利用正则[u4e00-u9fa5]

  • 简体繁体转换,可安装包:pip install opencc

  • 英文数据:词形还原、大小写转换等 (推荐python包:NLTK)

2.2 将文本数据格式化

  • 文本分句,根据标点符号分句。
  • 文本分段,根据换行符或其他数据规律分段。
  • 文本根据字段存储:半结构化文本数据存储
  • excel数据提取,推荐安装python包pandas,pip install pandas
    docx格式数据提取,推荐安装python包python-docx,pip install python-docx
  • pdf数据提取,可安装包pdfminer.six,pip install pdfminer.six

至此,经过常规预处理后,文本数据会变的比较干净与规整,可以用于后续nlp研究与应用。(说明,适用于自己任务的操作才是必须的,其他的参照奥卡姆剃刀“如无必要,勿增实体”)。

3、任务相关的文本数据预处理

前面介绍了通常情况下文本预处理可能涉及的注意点,但是要真正的做好数据预处理,应该与具体的任务相结合起来。比如:数据不平衡问题,数据增强问题、数据标注问题等等。

3.1 不平衡问题

  • 不平衡分类问题:实际应用中数据存在长尾分布现象,需要注意处理不平衡分类问题。python包imbalanced-learn提供了几个不错的过采样和欠采样方法,可以试用。
  • 不平衡回归问题,一篇好文链接:https://zhuanlan.zhihu.com/p/369627086

特别的,如需获得泛化性能好的模型,首先需要关注解决不平衡问题。

3.2 数据增强问题

数据太少,那就需要利用规则和算法增强数据,使数据多样化。

3.3 数据标注问题

  • 人工标注,好处:毕竟人多力量大,有多少人工有多少智能。坏处:成本昂贵。
  • 主动学习标注,目的:通过一定的技术手段和方法降低标注成本。具体的,可利用单个机器学习模型或集成学习的思想,提取需要人工审核标注的数据。
  • 标注平台与工具:可开发相应的自动化预标注平台,通过人工审核获得标注后的高质量数据集。

4、一些可用的文本预处理工具

对于文本预处理工作,目前已有一些专门的工具包,功能比较多样,大家可以试用一下,提升自己处理数据的效率和质量。

5、总结

本文对文本预处理,特别是中文文本预处理做了一个简要的概述,希望于相关的nlper有所帮助。后续,将依次递进分享相应的NLP文章,敬请关注。


你是如何看待“文本预处理”的呢? 欢迎关注留言讨论

image


特别的,如本文有疏漏,麻烦留言指出,以期校正提升。
如看到文章的小伙伴有感兴趣的nlp主题,欢迎留言交流讨论,共同撰文分享。


原文首发于微信公众号:实用自然语言处理


内容来源于网络如有侵权请私信删除

文章来源: 博客园

原文链接: https://www.cnblogs.com/fengxi177/p/17078347.html

你还没有登录,请先登录注册
  • 还没有人评论,欢迎说说您的想法!