NLP中的预处理：使用Python进行文本归一化

我们在有关词干的文章中讨论了文本归一化。但是，词干并不是文本归一化中最重要（甚至使用）的任务。我们还进行了其他一些归一化技术的研究，例如Tokenization，Sentencizing和Lemmatization。但是，还有其他一些用于执行此重要预处理步骤的小方法，将在本文中进行讨论。

请记住，没有适用于所有情况的“正确”归一化方法列表。实际上，随着我们对NLP的深入研究，越来越多的人意识到NLP并不像人们想象的那样具有普遍性。尽管有许多有趣的通用工具箱和预制管道，但更精确的系统是针对上下文量身定制的系统。

因此，不应将本文归一化的步骤列表作为硬性规则，而应将其作为对某些文章进行文本归一化的准则。还必须指出的是，在极少数情况下，您可能不想归一化输入-文本中其中更多变化和错误很重要时（例如，考虑测试校正算法）。

了解我们的目标——为什么我们需要文本归一化

让我们从归一化技术的明确定义开始。自然语言作为一种人力资源，倾向于遵循其创造者随机性的内在本质。这意味着，当我们“产生”自然语言时，我们会在其上加上随机状态。计算机不太擅长处理随机性（尽管使用机器学习算法已将随机性的影响降到最低）。

当我们归一化自然语言时，我们会尝试减少其随机性，使其更接近预定义的“标准”。这有助于减少计算机必须处理的不同信息的数量，从而提高效率。

通过归一化，我们希望使“文本分布”更接近“正态”分布。

当我们归一化自然语言资源时，我们尝试减少其中的随机性

在那篇关于词干的文章中，我提到了归一化试图使事物更接近“正态分布”。在某种意义上说是正确的，当我们归一化自然语言输入时，我们希望以“良好”和“可预测”的形状使事物“符合预期”，例如遵循正态分布。

除了数学领域之外，我们还可以讨论将归一化数据输入到我们的NLP系统中的好处。

首先，通过减少随机性，我们减少了待处理的输入变量，提高了总体性能并避免了误报（想象一下，如果软件日志行中没有错字，就会触发警告。）。对于系统和信息检索任务来说，这是非常正确的（想象一下，如果Google的搜索引擎仅与您键入的单词完全匹配！）。

从某种意义上讲，可以将归一化与“去除尖锐边缘”方法进行比较。

其次，尤其是在讨论机器学习算法时，如果我们使用的是字词袋或TF-IDF字典等简单的旧结构，则归一化会降低输入的维数；或降低载入数据所需的处理量。

第三，归一化有助于在将输入传递给我们的决策NLP算法之前对其进行处理。在这种情况下，我们确保我们的输入将在处理之前遵循“合同”。

最后，如果正确完成，归一化对于从自然语言输入中可靠地提取统计数据非常重要-就像在其他领域（例如时间序列分析）一样，归一化是NLP数据科学家/分析师/工程师手中重要的一步。

我们归一化的对象是什么？

这是一个重要的问题。在进行文本归一化时，我们应该确切地知道我们要标归一什么以及为什么要归一化。另外，输入数据的特点有助于确定我们将要用来归一化输入的步骤。我们最感兴趣的是两件事：

**句子结构:**它总是以标点符号结尾吗？会出现重复的标点符号吗？我们是否应该删除所有标点符号？此外，可以使用更具体的结构（就像主谓宾结构），但很难实现。
词汇: 这是需要注意的核心内容之一。大多数时候，我们希望我们的词汇量尽可能小。原因是，在NLP中，词汇是我们的主要特征，而当我们在这些词汇中的变化较少时，我们可以更好地实现目标。

实际上，我们可以通过分解成更简单的问题来对这两个方面进行归一化。以下是最常见的方法：

→删除重复的空格和标点符号。

→去除口音（如果您的数据包含来自“外国”语言的变音符号-这有助于减少与编码类型有关的错误）。

→去除大写字母（通常，使用小写单词可获得更好的结果。但是，在某些情况下，大写字母对于提取信息（例如名称和位置）非常重要）。

→删除或替换特殊字符/表情符号（例如：删除主题标签）。

→替换单词缩写（英语中很常见；例如：“我”→“我是”）。

→将单词数字转换为阿拉伯数字（例如：“二十三”→“ 23”）。

→为特殊符号替换（例如：“ $ 50”→“钱”）。

→缩写标准化（例如：“ US”→“美国” /“美国”，“ btw”→“顺便说一下”）。

→标准化日期格式，社会保险号或其他具有标准格式的数据。

→拼写纠正（可以说一个单词可以用无限方式拼写错误，因此拼写纠正可以通过“更正”来减少词汇变化）–如果您要处理推特，即时消息和电子邮件等开放用户输入的数据，这一点非常重要。

→通过词干去除性别/时间/等级差异。

→将稀有单词替换为更常见的同义词。

→停止定型化（比归一化技术更常见的降维技术）。

在本文中，我将只讨论其中一部分的实现。

如何做归一化工作

要选择我们将要使用的归一化步骤，我们需要一项特定的任务。对于本文，我们将假设我们要提取3000个#COVIDIOTS主题标签的情绪集，以了解人们对COVID-19流行的看法。

我获得了这些推文，可以这里下载。我还使用这个名为best-profanity的漂亮工具来审查不好的文字，如果需要，可以将其添加到规范化管道中。他们也不包含撰写内容的人。

但是，我并没有继续删除每条推文中的姓名或检查任何政治立场等，因为这不是本文的目的，并且可以单独撰写另一篇文章（关于自动审查）。

在这种情况下，我们要执行以下步骤：删除重复的空白和标点符号；缩写替代；拼写更正。另外，我们已经讨论了定形化，下面我们使用它。

在完成代码部分之后，我们将统计分析应用上述归一化步骤的结果。

关于规范化的一件重要事情是函数的顺序很重要。我们可以说归一化是NLP预处理管道中的管道。如果我们不谨慎，则可能删除对以后的步骤很重要的信息（例如在定形之前删除停用词）。

我们甚至可以将这些步骤分为两个连续的组：“标记前步骤”（用于修改句子结构的步骤）和“标记后步骤”（仅用于修改单个标记的步骤），以避免重复标记步骤。但是，为简单起见，我们使用.split（）函数。

像生产线一样，归一化步骤的顺序也很重要。

将推文解析为字符串列表之后，就可以开始创建函数了。顺便说一句，我在列表周围使用了一个名为tqdm的漂亮模块，因此一旦应用归一化过程，我们就会获得漂亮的进度条。以下是所需的导入：

from symspellpy.symspellpy import SymSpell, Verbosity
import pkg_resources
import re, string, json
import spacy
from tqdm import tqdm
#Or, for jupyter notebooks:
#from tqdm.notebook import tqdm

删除重复的空白和重复的标点符号（和网址）：

这一步骤用简单的正则表达式替换完成。有改进的余地，但是可以满足我们的期望（这样，我们就不会有多种尺寸的标度和感叹号标记）。我们删除网址，因为这会减少很多我们拥有的不同令牌的数量（我们首先这样做，因为标点替换可能会阻止它）。

def simplify_punctuation_and_whitespace(sentence_list):
    norm_sents = []
    print("Normalizing whitespaces and punctuation")
    for sentence in tqdm(sentence_list):
        sent = _replace_urls(sentence)
        sent = _simplify_punctuation(sentence)
        sent = _normalize_whitespace(sent)
        norm_sents.append(sent)
    return norm_sents

def _replace_urls(text):
    url_regex = r'(https?:\/\/(?:www\.|(?!www))[a-zA-Z0-9][a-zA-Z0-9-]+[a-zA-Z0-9]\.[^\s]{2,}|www\.[a-zA-Z0-9][a-zA-Z0-9-]+[a-zA-Z0-9]\.[^\s]{2,}|https?:\/\/(?:www\.|(?!www))[a-zA-Z0-9]+\.[^\s]{2,}|www\.[a-zA-Z0-9]+\.[^\s]{2,})'
    text = re.sub(url_regex, "<URL>", text)
    return text

def _simplify_punctuation(text):
    """
    This function simplifies doubled or more complex punctuation. The exception is '...'.
    """
    corrected = str(text)
    corrected = re.sub(r'([!?,;])\1+', r'\1', corrected)
    corrected = re.sub(r'\.{2,}', r'...', corrected)
    return corrected

def _normalize_whitespace(text):
    """
    This function normalizes whitespaces, removing duplicates.
    """
    corrected = str(text)
    corrected = re.sub(r"//t",r"\t", corrected)
    corrected = re.sub(r"( )\1+",r"\1", corrected)
    corrected = re.sub(r"(\n)\1+",r"\1", corrected)
    corrected = re.sub(r"(\r)\1+",r"\1", corrected)
    corrected = re.sub(r"(\t)\1+",r"\1", corrected)
    return corrected.strip(" ")

缩写替换

使用维基百科中的缩略词列表，我们遍历句子并用它们的实际单词替换这些缩略词（这需要在标记化之前发生，因为一个标记被分成两部分）。这有助于以后句子结构的改进。

def normalize_contractions(sentence_list):
    contraction_list = json.loads(open('english_contractions.json', 'r').read())
    norm_sents = []
    print("Normalizing contractions")
    for sentence in tqdm(sentence_list):
        norm_sents.append(_normalize_contractions_text(sentence, contraction_list))
    return norm_sents

def _normalize_contractions_text(text, contractions):
    """
    This function normalizes english contractions.
    """
    new_token_list = []
    token_list = text.split()
    for word_pos in range(len(token_list)):
        word = token_list[word_pos]
        first_upper = False
        if word[0].isupper():
            first_upper = True
        if word.lower() in contractions:
            replacement = contractions[word.lower()]
            if first_upper:
                replacement = replacement[0].upper()+replacement[1:]
            replacement_tokens = replacement.split()
            if len(replacement_tokens)>1:
                new_token_list.append(replacement_tokens[0])
                new_token_list.append(replacement_tokens[1])
            else:
                new_token_list.append(replacement_tokens[0])
        else:
            new_token_list.append(word)
    sentence = " ".join(new_token_list).strip(" ")
    return sentence

拼写矫正

现在，这是一个棘手的问题。它可能会引起一些不需要的更改（大多数可纠正拼写的词典缺少重要的上下文单词，因此他们将它们视为拼写错误）。因此，您必须有意识地使用它。有很多方法可以做到这一点。我选择使用名为symspellpy的模块，该模块的速度非常快（这很重要！），并且可以很好地完成这项工作。做到这一点的另一种方法是，训练一个深度学习模型来基于上下文进行拼写校正，但这完全是另一回事了。

def spell_correction(sentence_list):
    max_edit_distance_dictionary= 3
    prefix_length = 4
    spellchecker = SymSpell(max_edit_distance_dictionary, prefix_length)
    dictionary_path = pkg_resources.resource_filename(
        "symspellpy", "frequency_dictionary_en_82_765.txt")
    bigram_path = pkg_resources.resource_filename(
        "symspellpy", "frequency_bigramdictionary_en_243_342.txt")
    spellchecker.load_dictionary(dictionary_path, term_index=0, count_index=1)
    spellchecker.load_bigram_dictionary(dictionary_path, term_index=0, count_index=2)
    norm_sents = []
    print("Spell correcting")
    for sentence in tqdm(sentence_list):
        norm_sents.append(_spell_correction_text(sentence, spellchecker))
    return norm_sents

def _spell_correction_text(text, spellchecker):
    """
    This function does very simple spell correction normalization using pyspellchecker module. It works over a tokenized sentence and only the token representations are changed.
    """
    if len(text) < 1:
        return ""
    #Spell checker config
    max_edit_distance_lookup = 2
    suggestion_verbosity = Verbosity.TOP # TOP, CLOSEST, ALL
    #End of Spell checker config
    token_list = text.split()
    for word_pos in range(len(token_list)):
        word = token_list[word_pos]
        if word is None:
            token_list[word_pos] = ""
            continue
        if not '\n' in word and word not in string.punctuation and not is_numeric(word) and not (word.lower() in spellchecker.words.keys()):
            suggestions = spellchecker.lookup(word.lower(), suggestion_verbosity, max_edit_distance_lookup)
            #Checks first uppercase to conserve the case.
            upperfirst = word[0].isupper()
            #Checks for correction suggestions.
            if len(suggestions) > 0:
                correction = suggestions[0].term
                replacement = correction
            #We call our _reduce_exaggerations function if no suggestion is found. Maybe there are repeated chars.
            else:
                replacement = _reduce_exaggerations(word)
            #Takes the case back to the word.
            if upperfirst:
                replacement = replacement[0].upper()+replacement[1:]
            word = replacement
            token_list[word_pos] = word
    return " ".join(token_list).strip()

def _reduce_exaggerations(text):
    """
    Auxiliary function to help with exxagerated words.
    Examples:
        woooooords -> words
        yaaaaaaaaaaaaaaay -> yay
    """
    correction = str(text)
    #TODO work on complexity reduction.
    return re.sub(r'([\w])\1+', r'\1', correction)

def is_numeric(text):
    for char in text:
        if not (char in "0123456789" or char in ",%.$"):
            return False
    return True

合理化

如果您一直关注我的系列文章，那么您已经知道我已经实现了自己的lemmatizer。但是，为了简单起见，我选择在这里使用传统方法。它快速而直接，但是您可以使用任何其他所需的工具。我还决定删除（替换）所有标签。对于情感分析，我们并不是真的需要它们。

def lemmatize(sentence_list):
    nlp = spacy.load('en')
    new_norm=[]
    print("Lemmatizing Sentences")
    for sentence in tqdm(sentence_list):
        new_norm.append(_lemmatize_text(sentence, nlp).strip())
    return new_norm

def _lemmatize_text(sentence, nlp):
    sent = ""
    doc = nlp(sentence)
    for token in doc:
        if '@' in token.text:
            sent+=" @MENTION"
        elif '#' in token.text:
            sent+= " #HASHTAG"
        else:
            sent+=" "+token.lemma_
    return sent

最后，我们将所有步骤加入“pipeline”函数中：

def normalization_pipeline(sentences):
    print("##############################")
    print("Starting Normalization Process")
    sentences = simplify_punctuation_and_whitespace(sentences)
    sentences = normalize_contractions(sentences)
    sentences = spell_correction(sentences)
    sentences = lemmatize(sentences)
    print("Normalization Process Finished")
    print("##############################")
    return sentences

在Google Colab Notebook中运行函数

结果

您可能想知道：应用这些任务的结果是什么？我已经运行了一些计数功能并绘制了一些图表来帮助解释，但我必须清楚一件事：数字表示不是表达文本归一化重要性的最佳方法。

相反，当将文本规范化应用于NLP应用程序时，它可以通过提高效率，准确性和其他相关分数来发挥最佳作用。我将指出一些可以从统计数据中清楚看到的好处。

首先，我们可以清楚地看到不同令牌总数的减少。在这种情况下，我们将令牌数量减少了约32％。

将归一化应用于我们的数据后，我们将令牌数量减少了约32％。

Distinct words in unnormalized: 15233–80% of the text correspond to 4053 distinct words. 
Distinct words in normalized: 10437–80% of the text correspond to 1251 distinct words.

现在，通用令牌的数量出现了更大的差异。这些令牌包括了所有数据的大约80％。通常，我们通过大约10–20％的令牌范围构成了文本的80％。

通过应用归一化，我们将最常见的令牌数量减少了69％！非常多！这也意味着我们对此数据的任何机器学习技术都将能够更好地推广。

归一化后，最常见的令牌数量减少了69％。

现在，关于文本归一化的一件重要的事是，为了使文本规范化有用，它必须保留默认的自然语言结构。我们可以通过数据本身看到这一点。一个例子是，如果做得好，归一化后的句子将不会变得越来越小。

在下面的直方图中显示了这一点，它表明，尽管归一化后我们的1尺寸句子较少，而2尺寸句子较多，但其余分布遵循未归一化数据的结构（请注意，我们的曲线稍微接近正态分布曲线）。

归一化对整体句子结构影响不大。

另一个有助于我们可视化的工具是Boxplot。它显示了我们的数据如何分布，包括均值，四分位数和离群值。总而言之，我们希望我们的中线与未规范化数据的中线相同（或接近）。我们还希望框（大多数数据的分布）保持在相似的位置。如果我们能够增加数据量的大小，这意味着我们在中位数周围的数据比归一化之前要多（这很好）。此外，我们要减少离群值。