---

前言

以下是 MATLAB 自然语言处理 (NLP) 工具箱的文本预处理教程，涵盖核心步骤、代码实现及最佳实践。

---

一、文本预处理核心步骤

文本清理：去除 HTML 标签、特殊字符、数字等
分词：将文本拆分为单词或子词
大小写统一：通常转换为小写
停用词过滤：移除无实际意义的高频词
词干提取 / 词形还原：将词还原为基本形式
拼写检查与校正
向量化：将文本转换为数值表示

二、MATLAB 实现示例

1. 文本数据导入与基本清理

% 导入文本数据
documents = importdata('text_data.txt');% 创建文本表格
tbl = table(documents, 'VariableNames', {'Text'});% 清理HTML标签
tbl.Text = replace(tbl.Text, '<[^>]+>', '');% 移除URL
tbl.Text = replace(tbl.Text, 'http\S+', '');% 移除特殊字符和数字
tbl.Text = replace(tbl.Text, '[^a-zA-Z]', ' ');% 统一大小写
tbl.Text = lower(tbl.Text);

2. 分词与停用词过滤

% 分词
tokenizedData = tokenizedDocument(tbl.Text);% 移除停用词
stopWords = stopwords('english');
cleanTokens = removeWords(tokenizedData, stopWords);% 移除短词（长度<3）
cleanTokens = removeShortWords(cleanTokens, 3);

3. 词干提取与词形还原

% 词干提取（Porter算法）
stemmedTokens = stemWords(cleanTokens);% 词形还原（更精确但计算开销大）
lemmatizer = trainDocumentlemmatizer(cleanTokens);
lemmatizedTokens = lemmatize(lemmatizer, cleanTokens);

4. 拼写检查与校正

% 创建拼写检查器
speller = spellChecker('text', cleanTokens);% 校正拼写错误
correctedTokens = correctWords(speller, cleanTokens);

6. 向量化表示

% 词袋模型(BOW)
bag = bagOfWords(correctedTokens);% TF-IDF特征
tfidf = tfidf(bag);% 词嵌入表示
embedding = wordEmbedding(correctedTokens, 'NumDimensions', 100);
docVectors = transform(embedding, correctedTokens);

三、高级预处理技术

1. 词性标注 (Part-of-Speech Tagging)

% 训练词性标注器
posTagger = trainPOSTagger(correctedTokens);% 对文本进行词性标注
taggedTokens = posTag(posTagger, correctedTokens);% 仅保留名词和动词
nounsAndVerbs = selectByPOS(taggedTokens, {'NN', 'NNS', 'VB', 'VBD', 'VBG'});

2. 命名实体识别 (NER)

% 加载预训练NER模型
nerNet = nerNetwork('english');% 识别命名实体
entities = recognizeNamedEntities(nerNet, tbl.Text);% 提取人名和组织名
persons = entities(contains(entities.Type, 'PERSON'), :);
organizations = entities(contains(entities.Type, 'ORG'), :);

3. 情感分析预处理

% 保留情感相关标点符号
tbl.Text = replace(tbl.Text, '[^a-zA-Z!?.]', ' ');% 扩展缩写词
tbl.Text = replace(tbl.Text, "can't", 'can not');
tbl.Text = replace(tbl.Text, "won't", 'will not');
% 更多缩写词替换...

四、预处理流程整合

function processedData = preprocessText(rawText)% 文本清理cleanedText = replace(rawText, '<[^>]+>', '');cleanedText = replace(cleanedText, 'http\S+', '');cleanedText = replace(cleanedText, '[^a-zA-Z]', ' ');cleanedText = lower(cleanedText);% 分词tokens = tokenizedDocument(cleanedText);% 停用词过滤stopWords = stopwords('english');tokens = removeWords(tokens, stopWords);% 词干提取tokens = stemWords(tokens);% 拼写校正speller = spellChecker('text', tokens);tokens = correctWords(speller, tokens);processedData = tokens;
end% 应用预处理到整个数据集
tbl.ProcessedText = preprocessText(tbl.Text);

五、性能优化与注意事项

大规模数据处理：

% 使用内存映射文件处理超大数据
tds = tabularTextDatastore('large_data.csv', 'TreatAsMissing', 'nan');
while hasdata(tds)tbl = read(tds);processedTbl = preprocessText(tbl);% 保存或进一步处理
end并行计算加速：
matlab
% 使用并行池加速预处理
parpool;
processedData = zeros(size(tbl, 1), 1);parfor i = 1:size(tbl, 1)processedData(i) = preprocessText(tbl.Text(i));
end常见问题处理：
中文 / 非英文文本：使用tokenizedDocument时指定语言，如'Language', 'chinese'
领域特定停用词：扩展默认停用词列表，添加领域无关词汇
内存不足：分批处理数据，使用datastore对象

六、实战案例：IMDB 影评预处理

% 加载IMDB影评数据集
tbl = readtable('imdb_reviews.csv');% 预处理文本
tbl.ProcessedText = preprocessText(tbl.Review);% 创建词袋模型
bag = bagOfWords(tbl.ProcessedText);% 移除低频词（出现次数少于5）
bag = removeInfrequentWords(bag, 5);% 创建训练集和测试集
cv = cvpartition(height(tbl), 'HoldOut', 0.2);
idxTrain = training(cv);
idxTest = test(cv);% 训练分类器
classifier = trainDocumentClassifier(bag(idxTrain), tbl.Sentiment(idxTrain), ...'Classifier', 'svm', ...'TextRepresentation', 'tfidf');% 评估性能
YPred = classify(classifier, bag(idxTest));
accuracy = mean(YPred == tbl.Sentiment(idxTest));
fprintf('情感分析准确率: %.2f%%\n', accuracy*100);