如何科学地使用keras的Tokenizer进行文本预处理

缘起

之前提到用keras的Tokenizer进行文本预处理，序列化，向量化等，然后进入一个simple的LSTM模型中跑。但是发现用Tokenizer对象自带的 texts_to_matrix 得到的向量用LSTM训练不出理想的结果，反倒是换成Dense以后效果更好。后来实验了一下发现是对这个向量化函数的理解出现了偏差。鉴于网上没找到相关的讲解，就自己实验了一下，并在这里做一个总结。

关于Tokenizer

原本以为直接用 texts_to_matrix 方法就可以直接把texts中的每个text，也就是每个string都转成LSTM输入所需要的向量，于是直接输入进去LSTM了。其实稍微一想就可以发现，LSTM要求的是每个string都是一个(num of word , length of word vector) 的矩阵，而这个函数出来的则是一个一维的向量，显然是有问题的。当时误判是因为没有仔细看，看到to matrix 并且得到了0-1的binary的matrix就想当然地当做输入了。那么下面就来看一下这个matrix究竟是什么：

somestr = ['ha ha gua angry','howa ha gua excited']
tok = tt.Tokenizer()
tok.fit_on_texts(somestr)
tok.word_index
Out[74]: {'angry': 3, 'excited': 5, 'gua': 2, 'ha': 1, 'howa': 4}
tok.word_counts
Out[75]: OrderedDict([('ha', 3), ('gua', 2), ('angry', 1), ('howa', 1), ('excited', 1)])
tok.texts_to_matrix(somestr)
Out[76]: 
array([[ 0.,  1.,  1.,  1.,  0.,  0.],
       [ 0.,  1.,  1.,  0.,  1.,  1.]])

可以看出，实际上这是一个binary的向量，如果dictionary的下标为i 的那个词在这个string中出现了，那么就给一个1，否则给0。当然，可以通过mode参数，进行设置，比如改成counts或者freq：

tok.texts_to_matrix(somestr,mode='count')
Out[83]: 
array([[ 0.,  2.,  1.,  1.,  0.,  0.],
       [ 0.,  1.,  1.,  0.,  1.,  1.]])
tok.texts_to_matrix(somestr,mode='freq')
Out[84]: 
array([[ 0.  ,  0.5 ,  0.25,  0.25,  0.  ,  0.  ],
       [ 0.  ,  0.25,  0.25,  0.  ,  0.25,  0.25]])

Tokenizer实际上只是生成了一个字典，并且统计了词频等信息，并没有把文本转成需要的向量表示。
如果Tokenizer加上num_words这个参数，那么生成的就是列数为这个参数的matrix，其中包含单词表中most frequent的单词的binary或者count或者词频。

科学地使用Tokenizer

所以科学使用Tokenizer的方法是，首先用Tokenizer的 fit_on_texts 方法学习出文本的字典，然后word_index 就是对应的单词和数字的映射关系dict，通过这个dict可以将每个string的每个词转成数字，可以用texts_to_sequences，这是我们需要的，然后通过padding的方法补成同样长度，在用keras中自带的embedding层进行一个向量化，并输入到LSTM中。

somestr = ['ha ha gua angry','howa ha gua excited naive']
tok = tt.Tokenizer()
tok.fit_on_texts(somestr)
tok.word_index
Out[90]: {'angry': 3, 'excited': 5, 'gua': 2, 'ha': 1, 'howa': 4, 'naive': 6}
tok.texts_to_sequences(somestr)
Out[91]: [[1, 1, 2, 3], [4, 1, 2, 5, 6]]

2018年03月05日16:11:27
大地春又回，长空裂惊雷。万物生欲动，无为自有为。 —— 诗人，余世存