1.文本向量化

• 将文本分割为单词，每个单词转换为一个向量

• 将文本分割为字符，每个字符转换为一个向量

• 提取单词或字符的n-gram

2.单词和字符的one-hot编码

• 单词级one-hot

• 字符级one-hot

import numpy as np

samples = ['This is a dog','The is a cat']

all_token_index = {} #构建一个字典来存储数据中的所有标记的索引

for sample in samples:
    for word in sample.split():   #拆分每一个单词
        if word not in all_token_index:  #为每一个单词指定一个索引
            all_token_index[word] = len(all_token_index) + 1

max_length = 10
#只考虑每个样本前10个单词
result = np.zeros(shape=(len(samples), max_length, max(all_token_index.values()) + 1 )) 

for i, sample in enumerate(samples):  # 获取sample中的索引和值
    for j, word in list(enumerate(sample.split()))[:max_length]: # 获取单词的索引和值
        index = all_token_index.get(word)
        result[i,j,index] = 1

{'This': 1, 'is': 2, 'a': 3, 'dog': 4, 'The': 5, 'cat': 6}

array([[[0., 1., 0., 0., 0., 0., 0.],
        [0., 0., 1., 0., 0., 0., 0.],
        [0., 0., 0., 1., 0., 0., 0.],
        [0., 0., 0., 0., 1., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0.]],

       [[0., 0., 0., 0., 0., 1., 0.],
        [0., 0., 1., 0., 0., 0., 0.],
        [0., 0., 0., 1., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 1.],
        [0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0.]]])

使用keras实现单词级one-hot编码

from keras.preprocessing.text import Tokenizer

samples = ['This is a dog','The is a cat']
tokenizer = Tokenizer(num_words=10)#设置为前10个最常见的单词
tokenizer.fit_on_texts(samples)#构建单词索引
word_index = tokenizer.word_index

sequences = tokenizer.texts_to_sequences(samples)#转化为索引组成的列表
one_hot_results = tokenizer.texts_to_matrix(samples, mode='binary')#转换为one-hot二进制编码

3.词嵌入

（1）什么是词嵌入

Embedding 最酷的一个地方在于它们可以用来可视化出表示的数据的相关性，当然要我们能够观察，需要通过降维技术来达到 2 维或 3 维。最流行的降维技术是：t-Distributed Stochastic Neighbor Embedding (TSNE)。

我们可以定义维基百科上所有书籍为原始 37,000 维，使用 neural network embedding 将它们映射到 50 维，然后使用 TSNE 将它们映射到 2 维，其结果如下：

这样看好像并不能看出什么，但是如果我们根据不同书籍的特征着色，我们将可以很明显的看出结果。

单词索引——>Embedding层——>对应词向量

（2）IMDB训练实例

from keras.datasets import imdb
from keras import preprocessing
#特征单词数
max_features = 10000
max_len = 20#取评论的前20个单词
(x_train,y_train),(x_test,y_test) = imdb.load_data(num_words=max_features)

#将整数列表转换为（samples,maxlen）二维整数张量
x_train =  preprocessing.sequence.pad_sequences(x_train,maxlen=max_len)
x_test = preprocessing.sequence.pad_sequences(x_test,maxlen=max_len)

from keras.models import Sequential
from keras.layers import Flatten,Dense,Embedding

model = Sequential()
model.add(Embedding(10000,8,input_length=max_len))

model.add(Flatten())#将三维的嵌入张量展平成形状为（samples,maxlen*8）
model.add(Dense(1,activation='sigmoid'))
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['acc'])

model.fit(x_train,y_train,epochs=10,batch_size=32,validation_split=0.2)

4.keras中使用Word2vec词嵌入

（1）分词

'''
对评论集的评论样本进行分词
'''
def fenciByJieba(comment_list):
    seg_comment_list=[]
    for comment in comment_list:
        # 去除无用符号
        comment = re.sub(r"[0-9\s+\.\!\/_,$%^*()?;；:-【】+\"\']+|[+——！，;:。？、~@#￥%……&*（）]+", " ", comment.strip())
        seg_list=[]
        seg_generator_list = jieba.cut(comment, cut_all=False)
        for seg in seg_generator_list:
            seg_list.append(seg)
        seg_comment_list.append(seg_list)
    return seg_comment_list

（2）训练word2vec
模型

'''
训练word2vec
sentences:分词后的评论集文本
size:嵌入维度
window:窗口大小
min_count:忽略单词出现频率小于min_count的单词
sg=1:使用Skip-Gram，否则使用CBOW
workers:训练线程数
'''
def word2vecTrain(seg_comment_list,embedding_vector_size):
    w2c_model=Word2Vec(sentences=seg_comment_list,size=embedding_vector_size,window=1,min_count=1,sg=1,workers=4)
    w2c_model.save('model_w2c.h5')
    return w2c_model

（3）生成神经网络的输入张量

'''
使用word2vec训练模型生成的词典来索引化分词的评论集文本，生成模型输入张量
'''
def sequenceCommentList(seg_comment_list,w2c_model,maxlen):
    # 取得所有单词
    vocab_list = list(w2c_model.wv.vocab.keys())
    # 每个词语对应的索引
    word_index = {word: index for index, word in enumerate(vocab_list)}
    # 序列化分词后的评论集文本
    sequence_comment_list = []
    def sequenceComment(seg_comment):
        sequence = []
        for word in seg_comment:
            try:
                sequence.append(word_index[word])
            except KeyError:
                pass
        return sequence
    # 神经网络模型输入层数据
    sequence_comment_list = list(map(sequenceComment, seg_comment_list))
    x_data= preprocessing.sequence.pad_sequences(sequence_comment_list, maxlen=maxlen)
    return x_data

（4）构建分类模型

'''
构建分类模型并训练 最终保存模型
'''
def run_model(w2v_model,maxlen,x_data,y_data,model_fileName):
    # 创建模型  让 Keras 的 Embedding 层使用训练好的Word2Vec权重
    embedding_matrix = w2v_model.wv.vectors
    model = Sequential()
    model.add(Embedding(input_dim=embedding_matrix.shape[0],output_dim=embedding_matrix.shape[1],input_length=maxlen,weights=[embedding_matrix],trainable=False))
    model.add(LSTM(32))
    model.add(Dense(1, activation='sigmoid'))
    model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc'])