通常我们文本处理流程如下:
- 1 对文本数据进行预处理：数据预处理，包括简繁体转换，去除xml符号，将单词条内容处理成单行数据，word2vec训练原理是基于词共现来训练词之间的语义联系的。不同词条内容需分开训练
- 2 中文分词：中文NLP很重要的一步就是分词了，分词的好坏很大程度影响到后续的模型训练效果
- 3 特征处理：也叫词向量编码，将文本数据转换成计算机能识别的数据，便于计算，通常是转换成数值型数据，常用的编码方式有one hot编码（BOW词袋模型离散表示方式，另外文章我们讲解TF-IDF模型时候会介绍）和基于word2vec等深度学习模型训练得到的低维稠密向量，通常称为word embedding的Distributed representation
- 4 机器学习：词向量进行编码之后，便可以将文本数据转换成数值数据，输入到我们的机器学习模型进行计算训练了
作者：sudop
链接：https://www.jianshu.com/p/87798bccee48
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。
注：训练词向量，将文本转化为数值型，即可进行下一步的机器模型训练，比如判断文本相似度等。因此词向量训练相当于一个预处理过程。这么久终于明白一些了。
（掘金最近略抽风，又抑制不住自己搭博客的心情了哈哈哈）
