深入浅出文本预处理：NLP 模型训练的基石

在自然语言处理NLP领域文本预处理是连接原始文本数据与模型训练的关键桥梁。它贯穿于数据输入到模型之前的全流程承担着数据清洗、指导超参数确定、提升模型效果的核心作用。本文将系统梳理文本预处理的核心环节与实现方法帮助读者全面掌握这一基础且关键的技术。一、文本处理的基本方法文本处理的核心是将原始文本拆解为机器可理解的基础单元主要包含分词、命名实体识别NER、词性标注POS三大核心环节。1. 分词分词是将连续的字序列按规范重组为词序列的过程是语意理解的基础。英文因天然空格分隔符无需复杂分词而中文需精准寻找分词边界。主流分词工具为 jieba支持三种核心模式精确模式贴合人类词汇表达习惯是最常用的分词方式全模式尽可能切分出所有可能成词的词汇搜索引擎模式在精确模式基础上对长粒度词汇二次切分。同时jieba 支持繁体中文分词还可通过加载自定义词典优化分词效果自定义词典格式为「词语 词频可选 词性可选」。python运行import jieba content 我喜欢学习 # 精确模式返回列表 print(jieba.lcut(content, cut_allFalse)) # 全模式 print(jieba.lcut(content, cut_allTrue)) # 搜索引擎模式 print(jieba.lcut_for_search(content)) # 加载自定义词典 jieba.load_userdict(自定义词典路径) print(jieba.lcut(content))2. 命名实体识别NER命名实体识别旨在从文本中提取人名、地名、机构名、时间、日期等专有名词是 NLP 高阶任务的重要基础。常见的命名实体包含 7 大类其实现核心分为两步第一步是命名实体边界识别token 级分类任务第二步是对识别出的 span 进行分类句子级分类任务。3. 词性标注POS词性标注是对分词后的每个词汇标注词性动词、名词、形容词等jieba 的 posseg 模块可便捷实现该功能python运行import jieba.posseg as pseg content 我喜欢学习 result pseg.lcut(content) for word, flag in result: print(f词汇{word}词性{flag})二、文本张量的表示方法将文本转换为向量张量是模型能处理文本的前提核心有 One-Hot、Word2Vec、Word Embedding 三种方式。1. One-Hot独热编码为词表中每个词汇生成一个长度为词表大小的向量向量中仅对应位置为 1其余为 0。优点是简单易理解缺点是无法体现词汇相似度且大语料下占用资源极高。python运行import jieba from tensorflow.keras.preprocessing.text import Tokenizer def onehot_gen(sent: str): # 构建词表 vocabs list(set(jieba.lcut(sent))) # 实例化Tokenizer并拟合词表 tokenizer Tokenizer() tokenizer.fit_on_texts(vocabs) # 生成每个词汇的One-Hot编码 for vocab in vocabs: zero_list [0] * len(vocabs) idx tokenizer.word_index[vocab] - 1 # Tokenizer索引从1开始 zero_list[idx] 1 print(f{vocab}\t{zero_list}) sent 两只黄鹂鸣翠柳一行白鹭上青天。 onehot_gen(sent)2. Word2VecWord2Vec 是无监督的词向量训练方法通过训练模型将参数矩阵作为词向量核心有两种训练方式CBOW利用上下文词汇预测中间目标词Skip-gram利用中间词预测上下文词汇每个窗口更新 n-1 次训练更充分。可通过 FastText 工具快速实现 Word2Vec 训练python运行import fasttext # 训练并保存模型 model fasttext.train_unsupervised(./data/fil9, modelcbow, dim300) model.save_model(./data/fil9.bin) # 加载模型并查询词向量、邻近词 model fasttext.load_model(./data/fil9.bin) print(the的词向量, model.get_word_vector(the)) print(sports的邻近词, model.get_nearest_neighbors(sports))3. Word Embedding词嵌入针对 Word2Vec 静态词向量无法处理多义词的问题Word Embedding 通过神经网络的 Embedding 层生成动态词向量向量参数随模型训练迭代更新。python运行import torch import torch.nn as nn import jieba from tensorflow.keras.preprocessing.text import Tokenizer sentences [阿里巴巴是一家上市公司旗下有天猫品牌。, 我爱自然语言处理] # 分词 word_list [jieba.lcut(s) for s in sentences] # 构建词汇映射 tokenizer Tokenizer() tokenizer.fit_on_texts(word_list) sequence2id tokenizer.texts_to_sequences(word_list) # 创建Embedding层词汇量×向量维度 embed nn.Embedding(num_embeddingslen(tokenizer.word_index), embedding_dim8) # 查看词汇对应的词向量 for idx in range(len(tokenizer.index_word)): word tokenizer.index_word[idx 1] vec embed(torch.tensor(idx)) print(f{word}{vec})三、文本语料的数据分析数据分析是理解语料、指导模型超参数设定的关键核心包含三类分析1. 标签数量分析用于判断样本类别是否均衡若类别分布差异过大需通过增删数据解决。可借助 seaborn 绘制计数图直观展示python运行import seaborn as sns import pandas as pd import matplotlib.pyplot as plt plt.style.use(fivethirtyeight) train_data pd.read_csv(./cn_data/train.tsv, sep\t) # 绘制标签分布 sns.countplot(xlabel, datatrain_data, huelabel) plt.title(训练集标签分布) plt.show()2. 句子长度分析模型通常要求固定长度的输入通过分析句子长度分布可确定文本补齐 / 截断的阈值。可通过柱状图、核密度图、散点图展示python运行# 添加句子长度列 train_data[sentence_length] train_data[sentence].apply(len) # 柱状图展示长度分布 sns.countplot(xsentence_length, datatrain_data) plt.xticks([]) plt.show() # 核密度图展示分布趋势 sns.displot(xsentence_length, datatrain_data, kdeTrue) plt.show()3. 词频统计和关键词词云词频统计可掌握语料的词汇规模词云能直观发现脏数据。以形容词词云为例python运行from wordcloud import WordCloud from itertools import chain import jieba.posseg as pseg # 提取形容词 def get_a_list(text): return [g.word for g in pseg.lcut(text) if g.flag a] # 生成词云 def gen_wordcloud(word_list): wc WordCloud(font_pathSimHei.ttf, max_words100, background_colorwhite) wc.generate( .join(word_list)) plt.imshow(wc, interpolationbilinear) plt.axis(off) plt.show() # 积极样本形容词词云 p_train train_data[train_data[label] 1][sentence] p_a_words list(chain(*p_train.apply(get_a_list))) gen_wordcloud(p_a_words)四、文本特征处理1. 添加 N-gram 特征将 n 个连续相邻的词汇组合为新特征丰富文本表示维度如 2-gram「我爱」「爱黑马」python运行def add_n_gram(word_list, n2): return set(zip(*[word_list[i:] for i in range(n)])) print(add_n_gram([1, 3, 2, 1, 5, 3]))2. 文本长度规范通过补齐填充 0或截断将文本统一为模型要求的长度python运行from keras.preprocessing import sequence # 统一长度为10后置填充、前置截断 x_train [[1, 23, 5, 32, 55, 63, 2, 21, 78, 32, 23, 1], [2, 32, 1, 23, 1]] x_train_padded sequence.pad_sequences(x_train, maxlen10, paddingpost, truncatingpre) print(x_train_padded)五、文本数据增强回译数据增强是常用方式通过「中文→韩文→英文→中文」的翻译循环扩展数据集解决样本量不足的问题尤其适用于小语料场景。总结文本预处理是 NLP 模型训练的基础其质量直接决定模型效果。从基础的分词、NER、POS到张量表示的 One-Hot、Word2Vec、Embedding再到数据分析、特征处理和数据增强每个环节都需结合业务场景灵活调整。只有做好文本预处理才能让后续的模型训练事半功倍真正发挥 NLP 技术的价值。