文本预处理
预处理通常包括四个步骤:
- 读入文本
- 分词
- 建立字典,将每个词映射到一个唯一的索引(index)
- 将文本从词的序列转换为索引的序列,方便输入模型
有一些现有的工具可以很好地进行分词,例如spaCy和NLTK
语言模型
一段自然语言文本可以看作是一个离散时间序列,给定一个长度为TT的词的序列w1,w2,…,wT语言模型的目标就是评估该序列是否合理,即计算该序列的概率:P(w1,w2,…,wT)
本节我们介绍基于统计的语言模型,主要是nn元语法(nn-gram)。在后续内容中,我们将会介绍基于神经网络的语言模型
N元语法
时序数据的采样
- XX:“想要有直升”,YY:“要有直升机”
- XX:“要有直升机”,YY:“有直升机,”
随机采样
在随机采样中,每个样本是原始序列上任意截取的一段序列,相邻的两个随机小批量在原始序列上的位置不一定相毗邻
相邻采样
在相邻采样中,相邻的两个随机小批量在原始序列上的位置相毗邻