时间戳

首页 > 解决方案 > 在 keras Tokenizer 中使用 tf-idf

python - 在 keras Tokenizer 中使用 tf-idf

问题描述

我有一个数据框，其中第一行的列标题包含以下文本：

Use of hydrocolloids as cryoprotectant for frozen foods

使用此代码：

vocabulary_size = 1000
tokenizer = Tokenizer(num_words=vocabulary_size)
tokenizer.fit_on_texts(df['Title'])
sequences = tokenizer.texts_to_sequences(df['Title'])
print(sequences[0])

我得到这个序列：

[57, 1, 21, 7]

使用这个：

index_word = {v: k for k, v in tokenizer.word_index.items()}
print(index_word[57])
print(index_word[1])
print(index_word[21])
print(index_word[7])

我得到：

use
of
as
for

这是有道理的，因为这些是更常见的词。是否也可以使用 Tokenizer 将标记化基于tf–idf？

增加词汇量大小也会标记不太常见的单词，例如：

hydrocolloids

我打算在下游使用手套进行分类任务。保持频繁使用因此可能不太具有歧视性的词是否有意义，例如：

use

在？也许是的，因为 glove 也会查看上下文，这与我过去使用的词袋方法形成对比。这里 tf-idf 是有道理的。

标签： pythonpython-3.xkerasnlp

解决方案

直到现在（因为 Keras 总是在更新它的功能），没有什么可以产生你想要的..

但它有一个使用 Tf-Idf 方案而不是频率来表示序列的函数：

sequences = tokenizer.texts_to_matrix(df['Title'], mode='tfidf')

代替：

sequences = tokenizer.texts_to_sequences(df['Title'])

此外，作为建议，您可以使用 sklearn TfidfVectorizer 从低频词中过滤文本，然后将其传递给您的 Keras 模型..

推荐阅读