nlp计数法应用于PTB数据集的方法
发表于:2025-11-07 作者:千家信息网编辑
千家信息网最后更新 2025年11月07日,今天小编给大家分享一下nlp计数法应用于PTB数据集的方法的相关知识点,内容详细,逻辑清晰,相信大部分人都还太了解这方面的知识,所以分享这篇文章给大家参考一下,希望大家阅读完这篇文章后有所收获,下面我
千家信息网最后更新 2025年11月07日nlp计数法应用于PTB数据集的方法
今天小编给大家分享一下nlp计数法应用于PTB数据集的方法的相关知识点,内容详细,逻辑清晰,相信大部分人都还太了解这方面的知识,所以分享这篇文章给大家参考一下,希望大家阅读完这篇文章后有所收获,下面我们一起来了解一下吧。
PTB数据集
内容如下:
一行保存一个句子;将稀有单词替换成特殊字符 < unk > ;将具体的数字替换 成"N"
we 're talking about years ago before anyone heard of asbestos having any questionable properties there is no asbestos in our products now neithernor the researchers who studied the workers were aware of any research on smokers of the kent cigarettes we have no useful information on whether users are at risk said james a. of boston 's cancer institute dr. led a team of researchers from the national cancer institute and the medical schools of harvard university and boston university
ptb.py
使用PTB数据集:
由下面这句话,可知用PTB数据集时候,是把所有句子首尾连接了。
words = open(file_path).read().replace('\n', '').strip().split() ptb.py起到了下载PTB数据集,把数据集存到文件夹某个位置,然后对数据集进行提取的功能,提取出corpus, word_to_id, id_to_word。
import sysimport ossys.path.append('..')try: import urllib.requestexcept ImportError: raise ImportError('Use Python3!')import pickleimport numpy as npurl_base = 'https://raw.githubusercontent.com/tomsercu/lstm/master/data/'key_file = { 'train':'ptb.train.txt', 'test':'ptb.test.txt', 'valid':'ptb.valid.txt'}save_file = { 'train':'ptb.train.npy', 'test':'ptb.test.npy', 'valid':'ptb.valid.npy'}vocab_file = 'ptb.vocab.pkl'dataset_dir = os.path.dirname(os.path.abspath(__file__))def _download(file_name): file_path = dataset_dir + '/' + file_name if os.path.exists(file_path): return print('Downloading ' + file_name + ' ... ') try: urllib.request.urlretrieve(url_base + file_name, file_path) except urllib.error.URLError: import ssl ssl._create_default_https_context = ssl._create_unverified_context urllib.request.urlretrieve(url_base + file_name, file_path) print('Done')def load_vocab(): vocab_path = dataset_dir + '/' + vocab_file if os.path.exists(vocab_path): with open(vocab_path, 'rb') as f: word_to_id, id_to_word = pickle.load(f) return word_to_id, id_to_word word_to_id = {} id_to_word = {} data_type = 'train' file_name = key_file[data_type] file_path = dataset_dir + '/' + file_name _download(file_name) words = open(file_path).read().replace('\n', '').strip().split() for i, word in enumerate(words): if word not in word_to_id: tmp_id = len(word_to_id) word_to_id[word] = tmp_id id_to_word[tmp_id] = word with open(vocab_path, 'wb') as f: pickle.dump((word_to_id, id_to_word), f) return word_to_id, id_to_worddef load_data(data_type='train'): ''' :param data_type: 数据的种类:'train' or 'test' or 'valid (val)' :return: ''' if data_type == 'val': data_type = 'valid' save_path = dataset_dir + '/' + save_file[data_type] word_to_id, id_to_word = load_vocab() if os.path.exists(save_path): corpus = np.load(save_path) return corpus, word_to_id, id_to_word file_name = key_file[data_type] file_path = dataset_dir + '/' + file_name _download(file_name) words = open(file_path).read().replace('\n', '').strip().split() corpus = np.array([word_to_id[w] for w in words]) np.save(save_path, corpus) return corpus, word_to_id, id_to_wordif __name__ == '__main__': for data_type in ('train', 'val', 'test'): load_data(data_type) 使用ptb.py
corpus保存了单词ID列表,id_to_word 是将单词ID转化为单词的字典,word_to_id 是将单词转化为单词ID的字典。
使用ptb.load_data()加载数据。里面的参数 ‘train’、‘test’、‘valid’ 分别对应训练用数据、测试用数据、验证用数据。
import syssys.path.append('..')from dataset import ptbcorpus, word_to_id, id_to_word = ptb.load_data('train')print('corpus size:', len(corpus))print('corpus[:30]:', corpus[:30])print()print('id_to_word[0]:', id_to_word[0])print('id_to_word[1]:', id_to_word[1])print('id_to_word[2]:', id_to_word[2])print()print("word_to_id['car']:", word_to_id['car'])print("word_to_id['happy']:", word_to_id['happy'])print("word_to_id['lexus']:", word_to_id['lexus'])结果:
corpus size: 929589corpus[:30]: [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29]id_to_word[0]: aerid_to_word[1]: banknoteid_to_word[2]: berlitzword_to_id['car']: 3856word_to_id['happy']: 4428word_to_id['lexus']: 7426Process finished with exit code 0
计数方法应用于PTB数据集
其实和不用PTB数据集的区别就在于这句话。
corpus, word_to_id, id_to_word = ptb.load_data('train')下面这句话起降维的效果
word_vecs = U[:, :wordvec_size]
整个代码其实耗时最大的是在下面这个函数上:
W = ppmi(C, verbose=True)
完整代码:
import syssys.path.append('..')import numpy as npfrom common.util import most_similar, create_co_matrix, ppmifrom dataset import ptbwindow_size = 2wordvec_size = 100corpus, word_to_id, id_to_word = ptb.load_data('train')vocab_size = len(word_to_id)print('counting co-occurrence ...')C = create_co_matrix(corpus, vocab_size, window_size)print('calculating PPMI ...')W = ppmi(C, verbose=True)print('calculating SVD ...')#try: # truncated SVD (fast!)print("ok")from sklearn.utils.extmath import randomized_svdU, S, V = randomized_svd(W, n_components=wordvec_size, n_iter=5, random_state=None)#except ImportError: # SVD (slow) # U, S, V = np.linalg.svd(W)word_vecs = U[:, :wordvec_size]querys = ['you', 'year', 'car', 'toyota']for query in querys: most_similar(query, word_to_id, id_to_word, word_vecs, top=5)下面这个是用普通的np.linalg.svd(W)做出的结果。
[query] you i: 0.7016294002532959 we: 0.6388039588928223 anybody: 0.5868048667907715 do: 0.5612815618515015 'll: 0.512611985206604[query] year month: 0.6957005262374878 quarter: 0.691483736038208 earlier: 0.6661213636398315 last: 0.6327787041664124 third: 0.6230476498603821[query] car luxury: 0.6767407655715942 auto: 0.6339930295944214 vehicle: 0.5972712635993958 cars: 0.5888376235961914 truck: 0.5693157315254211[query] toyota motor: 0.7481387853622437 nissan: 0.7147319316864014 motors: 0.6946366429328918 lexus: 0.6553674340248108 honda: 0.6343469619750977
下面结果,是用了sklearn模块里面的randomized_svd方法,使用了随机数的 Truncated SVD,仅对奇异值较大的部分进行计算,计算速度比常规的 SVD 快。
calculating SVD ...ok[query] you i: 0.6678948998451233 we: 0.6213737726211548 something: 0.560122013092041 do: 0.5594725608825684 someone: 0.5490139126777649[query] year month: 0.6444296836853027 quarter: 0.6192560791969299 next: 0.6152222156524658 fiscal: 0.5712860226631165 earlier: 0.5641934871673584[query] car luxury: 0.6612467765808105 auto: 0.6166062355041504 corsica: 0.5270425081253052 cars: 0.5142025947570801 truck: 0.5030257105827332[query] toyota motor: 0.7747215628623962 motors: 0.6871038675308228 lexus: 0.6786072850227356 nissan: 0.6618651151657104 mazda: 0.6237337589263916Process finished with exit code 0
以上就是"nlp计数法应用于PTB数据集的方法"这篇文章的所有内容,感谢各位的阅读!相信大家阅读完这篇文章都有很大的收获,小编每天都会为大家更新不同的知识,如果还想学习更多的知识,请关注行业资讯频道。
数据
单词
方法
知识
篇文章
应用
内容
结果
这句话
计数法
代码
句子
字典
不同
很大
普通
特殊
稀有
较大
奇异
数据库的安全要保护哪些东西
数据库安全各自的含义是什么
生产安全数据库录入
数据库的安全性及管理
数据库安全策略包含哪些
海淀数据库安全审计系统
建立农村房屋安全信息数据库
易用的数据库客户端支持安全管理
连接数据库失败ssl安全错误
数据库的锁怎样保障安全
win服务器打开磁盘管理器
南通市万千网络技术有限公司
德国网络安全产业
银行业国家网络安全周汇报材料
文化遗产数据库的用户比重
软件开发动漫设计是什么技术
思路很重要网络安全题
成都战旗互动网络技术
饥荒科雷专用服务器
保定地区软件开发公司
数据库姓名数据类型v
黑龙江软件开发系统研发
自觉维护网络安全作文
3级网络技术选择题
网络安全主要存在问题
服务器机房用什么电瓶好
开一个网络安全公司流程
互联网科技和信息
龙哥网络技术
软件开发区有哪些
建议直接考网络技术吗
迅游服务器ip
刘倩南 网络安全
怎么把一键端上传到服务器
网络技术公司怎么做账
出租屋云端数据库
服务器怎么设置另一个数据库
网络安全设备怎么拦截广告
淘宝挂服务器可以吗
新三板网络安全股票