本文主要参考Coursera上国立高等经济大学的自然语言处理课程。
文本是什么？
在自然语言处理问题中，我们可以讲文本当成是下述成分组成的序列（sequence）：
- 字
- 词语
- 句子
- 段落
- 文章
- ...
本文主要以 词语 来举例。
token
什么是 token 呢？
- 可以将 token 认为是语义处理过程中的一个 有意义的单元；
- token 可以是 字, 词, 段落 等等。
tokenization
自然语言处理的第一步通常是 tokenization，即将 输入的文本（sequence）转换为 token 的过程。
由于中文的表示与英文不同，英文中通常有空格来标识每一个单词，中文没有明确的标识，所以中文的分词比较复杂；
通常使用而言，一些常用的分词库已经可以满足大部分需求。
eg. 使用 jieba 将一段文本分词。
import jieba
seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))
'''
我/ 来到/ 北京/ 清华大学
'''
上述例子中的过程就是 tokenization 过程。
tokenization normalization
仅关注中文处理可以仅看概念
英文预处理过程中的第二步叫做 tokenization normalization
这个过程是指 将相同含义但是不同形式的词转换成同一个词（token）
eg.
- wolf, wolves -> wolf
- talk, talks -> talk
通常有两种方式来实现这个过程：
- 词干提取（stemming）
- 词性还原（lemmatization）
因为我想主要集中在中文预处理，所以这两个过程就不叙述了，可以通过
nltk.stem.PorterStemmer和nltk.stem.WordNetLemmatizer来实现这两种方式。
标点符号
在将文本转化为 token 的过程中，标点符号 仅对阅读有用，而对 语义理解 没有太大作用。
eg.
- 我来到北京清华大学
- 我来到，北京清华大学。
上述两个句子的语义完全相同，而在 tokenization 过程中却得到两种不同的结果。所以在文本预处理过程中需要 去除标点符号。
停用词
和标点符号相似，在文本预处理过程中还需要去除之如“着”，“和”等一些 对语义理解帮助不大 的词，这些词就被称为 停用词。
常用 中文停用词下载地址 见文章末尾。
英文停用词可以直接用 nltk 提供的
import nltk
nltk.download('stopwords')
from nltk.corpus import stopwords
可以在停用词中加入标点符号，这样就可以统一两个过程。
总结
本文主要将了文本预处理中的几个概念：
- 文本的组成
- tokenization
- 标点符号和停用词
下一篇文章将继续讲解 文本向量化表示的方式（传统机器学习）：
- BoW
- BoW + n-gram
- tf-idf
- word2vec
