商品评价判别，文本分类——学习笔记

FASTTEXT（Facebook开源技术）

二分类任务，监督学习。

自然语言

NLP自然语言处理

步骤：

• 语料Corpus：好评和差评
• 分词Words Segmentation：基于HMM构建dict tree

• 构建词向量Construct Vector：

one-hot独热编码

 

但是汉语中词太多了，独热编码的词向量随着词库中词汇的增长，会变得非常大。

而且one hot没法判断顺序

 

Google开山之作：TF-IDF（term frequency–inverse document frequency）

解决了频率和特殊性的关系。TF即词频（Term Frequency），IDF即逆向文档频率（Inverse Document Frequency）。

TF（词频）就是某个词在文章中出现的次数，此文章为需要分析的文本。为了统一标准，有如下两种计算方法：

                                     (1)TF（词频） = 某个词在文章中出现的次数 / 该篇文章的总次数；

                                     (2)TF 词频 = 某个词在文章中出现的次数 / 该篇文章出现最多的单词的次数；

IDF（逆向文档频率）为该词的常见程度，需要构建一个语料库来模拟语言的使用环境。

                                     IDF 逆向文档频率 =log (语料库的文档总数 / (包含该词的文档总数+1))；

如果一个词越常见，那么其分母就越大，IDF值就越小。 

但还是有词向量长度的问题。

考虑到独热编码的维度过大的缺点。对此进行如下改进：

• 将vector每一个元素由整形改为浮点型，变为整个实数范围的表示
• 将原来稀疏的巨大维度压缩嵌入到一个更小维度的空间

 word2vec

将独热编码当作输入，经过神经网络，判断one hot输出的是什么词

 

但是并没有关心输出的词是什么。隐藏层，100个隐藏神经元，100个权重。

而是将神经网络过程中的该层的权重作为了词向量。vector。

最终100维，

 

 

Fast-Text

天生用来分类，直接将构建词向量和模型（SVM、决策树、神经网络方法）集合，直接输出label类别标签。

 

加载停用词：细节在于：问号、叹号包含人类情绪，要保留下来。

 

分词后结果：

 

 

 

---

 两种训练模式：

CBOW (Continuous Bag-of-Words Model)

Skip-gram (Continuous Skip-gram Model)

CBOW：上下文来预测当前词

 

Skip-gram：当前词预测上下文

 

【参考】

不懂word2vec，还敢说自己是做NLP？ - 自然语言处理-炼数成金-Dataguru专业数据分析社区 http://www.dataguru.cn/article-13488-1.html

FastText：快速的文本分类器 - 不忘初心~ - CSDN博客 https://blog.csdn.net/john_bh/article/details/79268850

 

---

谷歌最强 NLP 模型

BERT(Bidirectional Encoder Representations from Transformers)

BERT介绍 - triplemeng的博客 - CSDN博客 https://blog.csdn.net/triplemeng/article/details/83053419