一、简单介绍
NLP（Natural Language Processing）：自然语言处理是人工智能和语言领域的一个分支，它涉及计算机和人类语言之间的相互作用。
二、NLP基础概念
词表（词库）：文本数据集出现的所有单词的集合；
语料库：用于自然语言处理NLP的文本数据集合，可以是书籍、文章、网页等；
注意：
词库需去重：避免冗余，确保每个词汇的属性记录唯一。
语料库无需刻意去重：保留重复以反映真实语言使用规律，支撑统计分析。
词嵌入：将单词、文本映射到低维度的连续向量空间的技术，用于捕捉单词的语义和语法信息；
三、NLP的特征工程
3.0特征工程提出的必要
在NLP中，我们处理的对象通常是文本资料，但是计算机只能识别数字信息。因此，特征工程是一种必要的手段：特征工程将文本数据转换为适合机器学习模型使用的数值表示过程，即将文本信息转换为数字信息的过程。
3.1词向量
词向量也称为词嵌入（word embedding）：指的是将文本资料转换为低维连续向量的过程。这些向量能够体现词语之间的语义关系。
通过词嵌入这种方式，每一个单词都有唯一的词向量，将文本数据信息转换为了数字信息，这样机器就可以对单词进行计算，如利用余弦相似度公式，可以得出单词之间的相似度，相似度越高，两个单词在向量空间中靠的越近，夹角越小。
3.2传统的NLP特征工程
3.2.1one-hot独热编码
one-hot：将每一个类别表示为一个向量，它的组成只能由0,1组成，并且在表示一个单词的时候，只能有一个单词为1，其他单词必须全部为0。
因此，我们可以发现，如果单纯利用独热编码表示向量，
（1）我们写的文本资料多有少个字，那向量就有多长，这样会导致计算量巨大；
（2）想表示一段话的时候，最多不超过30个字，这时候其他的位置就必须全部为0，向量矩阵过于稀疏。
3.2.2词频-逆文档频率（TF-IDF）
词频TF：在给定文档中，单个单词在文章中出现的频率-----出现次数/该文档的总词数
逆文档频率IDF：用于衡量一个单词的重要程度，是将类似词频取倒数并取对数的值；
注意：
IDF 大的词，说明它在多数文档中不出现，仅在特定文档中出现，因此能有效区分不同主题的文档
TF-IDF：综合考虑了词频和逆文档频率，取值为词频与逆文档频率的乘积结果。
3.3深度学习中NLP的特征输入
3.3.1稠密编码
稠密编码的方式通常在特征嵌入中出现：将离散或高维稀疏数据转化为低维的连续、密集向量。
特点：
（1）低维度：转换为低维度的向量之后，减少了计算和存储成本；
（2）语义相似度：引入余弦相似度公式计算语义相似性；
（3）可微学习：通过神经网络进行学习，反向传播算法进行优化。
3.3.2词嵌入算法
3.3.2.1embedding layer
嵌入层用于神经网络的前端，并采用反向传播算法进行监督（更新优化）。向量矩阵以小的随机数进行初始化。
它主要是用来实现输入词的向量化的。
API：nn.Embedding(len(set_word),embedding_dim)
将输入词转换为词向量的步骤：
（1）对文本进行分词；
（2）构建映射词表,这里必须用去重的句子；
（3）使用嵌入层，调用nn.Embedding.
代码：
import torch
import torch.nn as nn
sentences = 'I like a dog , it is cute'
#分词
sentences = sentences.split(' ')#去重
sentences = list(set(sentences))#映射
word_index = {word:index for index,word in enumerate(sentences)}
index_word = {index:word for index,word in enumerate(sentences)}#向量化
embedding = nn.Embedding(len(sentences),4)
index = word_index['dog']
output = embedding(torch.tensor([index]))
print(output)
结果：
tensor([[-0.1077, -1.3688, -0.5193, -0.2856]], grad_fn=<EmbeddingBackward0>)
3.3.2.2word2vec
word2vec是一种高效训练词向量的模型。一般分为CBOW模型和Skip-Gram模型：
（1）CBOW：根据周围词来预测中心词；
（2）Skip-Gram：根据中心词预测周围词。
API：from gensim.model import Word2Vec
gensim库需要自行下载：pip install gensim
model = Word2Vec(sentences,vector_size,window,min_count,sg)
参数介绍：
sentences：二维list。
vector_size:特征信息维度。
window:当前词与预测词在一个句子中最大的距离。
min_count:可以对字典做截断，词频少于min_count次数的单词会被丢弃掉，默认值为5。
sg:设置为0，对应CBOW算法；设置为1对应Skip-Gram算法。
四、总结
大致了解了NLP的简单术语，以及如何通过嵌入层实现对文本进行向量化，还可以利用现成模型word2vec对单词向量化。主要是了解一下大致知识就行，过过代码就可以了。本节内容要求没有严格。
)
