NLP基础知识 - 向量化

目录

---

什么是向量化？

向量化是自然语言处理（NLP）领域的核心步骤之一。它的目标是将文本数据转换为数学形式（向量），使其能够被机器学习模型处理。

在实际操作中，文本中的单词或句子被表示为一个高维空间中的点，这些点可以捕捉文本之间的语义关系。向量化是 NLP 中将非结构化数据结构化的关键环节。

---

为什么需要向量化？

• 机器学习模型输入要求：机器学习模型只能处理数值数据，因此需要将文本数据转换为数字形式。
• 捕捉语义关系：向量化允许模型捕捉单词、短语和句子之间的语义关系，例如同义词或相似词。
• 简化文本计算：数学向量便于执行计算，例如相似度度量（余弦相似度、欧氏距离等）。

---

常见的向量化方法

1. 词袋模型（Bag of Words, BoW）

词袋模型是最简单的向量化方法之一。它将文本中的单词表示为特征，并统计每个单词的出现次数。

from sklearn.feature_extraction.text import CountVectorizer

corpus = [
    "我喜欢自然语言处理",
    "自然语言处理很有趣",
    "机器学习和深度学习都是AI的组成部分"
]

# 创建词袋模型
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(corpus)

# 显示结果
print("词袋模型特征：", vectorizer.get_feature_names_out())
print("词袋模型矩阵：\n", X.toarray())

2. TF-IDF（词频-逆文档频率）

TF-IDF是一种改进的词袋模型，它不仅考虑单词出现的次数，还考虑单词在整个语料库中的重要性。

from sklearn.feature_extraction.text import TfidfVectorizer

# 创建TF-IDF模型
tfidf_vectorizer = TfidfVectorizer()
X_tfidf = tfidf_vectorizer.fit_transform(corpus)

# 显示结果
print("TF-IDF特征：", tfidf_vectorizer.get_feature_names_out())
print("TF-IDF矩阵：\n", X_tfidf.toarray())

3. 词嵌入（Word Embedding）

(1) Word2Vec
Word2Vec是通过神经网络学习单词的稠密向量表示，能够捕捉到单词之间的语义关系。

from gensim.models import Word2Vec

sentences = [
    ["自然语言处理", "是", "人工智能", "的一部分"],
    ["机器学习", "是", "NLP", "的重要组成"],
    ["深度学习", "提升", "了", "AI", "的性能"]
]

# 训练Word2Vec模型
model = Word2Vec(sentences, vector_size=100, window=5, min_count=1, workers=4)

# 显示单词向量
print("单词 '自然语言处理' 的向量表示：", model.wv['自然语言处理'])

(2) GloVe
GloVe（Global Vectors for Word Representation）是一种基于统计的词嵌入方法，利用词共现矩阵进行建模。

4. 句子嵌入（Sentence Embedding）

句子嵌入是基于句子而非单词的向量化方法，能够捕捉句子级别的语义。

(1) 使用预训练模型（如BERT）
BERT（Bidirectional Encoder Representations from Transformers）是一种基于Transformer的预训练模型，能够生成上下文相关的向量。

from transformers import BertTokenizer, BertModel
import torch

# 加载BERT模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertModel.from_pretrained('bert-base-uncased')

# 输入句子
sentence = "Natural language processing is fun!"
inputs = tokenizer(sentence, return_tensors='pt')

# 生成句子嵌入
outputs = model(**inputs)
sentence_embedding = outputs.last_hidden_state.mean(dim=1)

print("句子嵌入向量：", sentence_embedding)