데이터 전처리

자연어 처리에서 크롤링 등으로 얻어낸 코퍼스 데이터가 필요에 맞게 전처리되지 않은 상태라면, 데이터를 사용하고자하는 용도에 맞게 토큰화(tokenization) & 정제(cleaning) & 정규화(normalization)하는 일을 해야 합니다.
코퍼스에서 용도에 맞게 토큰을 분류하는 작업을 토큰화(tokenization)라고 하며, 토큰화 작업 전, 후에는 텍스트 데이터를 용도에 맞게 정제(cleaning) 및 정규화(normalization)하는 일이 항상 함께합니다.

토큰화(tokenization): 코퍼스(corpus)에서 토큰(token)이라 불리는 단위로 나눔, 이때 토큰은 용도에 따라 나눠짐
정제(cleaning): 코퍼스의 노이즈 데이터를 제거
정규화(normalization): 표현 방법이 다른 단어들을 통합시켜서 같은 단어로 만듬

1. 규칙 기반한 표기가 다른 단어의 통합

표기는 다르지만, 같은 의미를 갖는 단어를 규칙에 따라 같은 단어로 정의합니다.
EX) USA, US

2. 대, 소문자 통합

영어권 언어에서 대, 소문자를 통합하는 것은 단어의 개수를 줄일 수 있는 또 다른 정규화 방법입니다.
Automobile와 automobile를 소문자로 변환하면 automobile 질의로 둘 다 찾을 수 있습니다.
그러나 US(미국)와 같이 대문자로 유지해야 하는 경우도 있습니다(us와 구분 안됨).

3. 불필요한 단어의 제거(Removing Unnecessary Words)

노이즈 데이터(noise data)란 무 의미도 갖지 않는 글자들(특수 문자 등) 또는 분석하고자 하는 목적에 맞지 않는 불필요 단어들을 말합니다.

(1) 등장 빈도가 적은 단어(Removing Rare words)

때론 텍스트 데이터에서 너무 적게 등장해서 자연어 처리에 도움이 되지 않는 단어들이 존재합니다.

(2) 길이가 짧은 단어(Removing words with very a short length)

영어권 언어에서 어느정도 효과를 볼 수 있다고 알려져 있습니다.

(3)불용어(Stopword)

불용어란 데이터 분석에 큰 도움이 되지 않는 단어를 말합니다.
예를 들면, I, my, me, over, 조사, 접미사 같은 단어들은 문장에서는 자주 등장하지만 실제 의미 분석에는 크게 도움이 되지 않습니다.
NLTK에서는 영어 단어들의 불용어를 패키지로 정의하고 있습니다.
한국어 불용어 리스트는 https://www.ranks.nl/stopwords/korean 에서 확인할 수 있습니다.

(4)정규 표현식(Regular Expression)

코퍼스에서 노이즈 데이터의 특징을 잡아낼 수 있다면, 정규 표현식을 통해서 이를 제거할 수 있습니다.
Ex) 크롤링으로 수집한 데이터에서 html tag를 제거

토큰화는 아래에서 확인할 수 있습니다.
https://sungwoony.blogspot.com/2020/04/tokenization.html

감사합니다.

Reference: https://wikidocs.net/21698

이 블로그의 인기 게시물

SentencePiece 설치 및 사용법

Jupyter notebook 사용 기준으로 설치 및 사용법을 설명합니다. Sentencepiece 특징 및 기능 설명은 다음 사이트에서 참고 바랍니다. https://sungwoony.blogspot.com/2020/04/sentencepiece.html one-sentence-per-line raw corpus file. tokenizer, normalizer 또는 preprocessor를 실행할 필요가 없습니다. Default로, Unicode NFKC로 SentencePiece input을 정규화 합니다. 설치방법 VM환경에 pip library가 설치되어 있어야 하며, 다음 명령어를 수행하면 설치됩니다. pip install sentencepiece 사용법 Sentencepiece library import setencepiece를 import해야 하며 관례적으로 spm으로 사용합니다. Train SentencePiece Model from corpuse botchan.txt 파일을 다음 사이트에서 다운로드 받을 수 있습니다. https://github.com/google/sentencepiece/blob/master/data/botchan.txt --mode_type의 기본은 uni type입니다. --model_type에 bpe를 넣으면 bpe 타입으로 생성됩니다. Train이 완료되면 "m.uni.model"과 "m.bpe.model" 이 생성됩니다. 둘 의 차이점은 다음에 확인할 수 있습니다. Option Name Description input 파일목록은 쉼표로 구분합니다. model_prefix output model로 prefix. <model_name>.model과 <model_name>.vocab 이 생성됩니다. vocab_size vocabulary size, e.g.. 8000, 16000, o...

자세한 내용 보기

[Deep Learning-딥러닝] 신경망 구조

뉴런 표현 및 연산 방법 생물학의 신경 세포를 단순화하여 모델링 한것이 뉴런입니다. 뉴런은 신경망의 기본 단위 입니다. 뉴런은 여러 신호를 받아, 하나의 신호를 만들어 전달하는 역할을 합니다. 출력을 내기 전에 활성 함수(activation function)을 통해서 비선형 특성을 가할 수 있습니다. 뉴런 연산 방법은 다음과 같습니다. 두 벡터 가중치 weight와 입력 x의 내적 을 구한 후 모두 합한다. 편향을 더합니다. 편향이 없으면, 추세선은 원점을 꼭 지나야 합니다. 활성 함수를 적용 해 비선형 함수로 만듭니다. 두 벡터의 내적은 다음과 같이 표현할 수 있습니다. 두 벡터의 내적 FC(Fully Connected) Layer Matrix 곱셈 연산 표현 방법 뉴런이 모인 한 단위를 계층(Layer)라고 하며, 이전 계층과 다음 계층의 모든 뉴런이 서로 연결된 계층을 Fully-Connected Layer(Dense Layer)라고 합니다. N개의 입력, M개의 출력이 있는 네트워크 예제입니다. 매트릭스 W 의 w 0 는 (N*1)의 벡터이며, 이런 w 0 를 M개 나열되어 있습니다. 입력 x 는 N개라 행렬로 표현하면 (N*1)로 표현됩니다. 가중치를 transpose하여 (M*N)*(N*1)을 연산하여 출력은 (M*1) 형태가 됩니다. 얕은 신경망 - Shallow Neural Network 구조 얕은 신경망 - Shallow Neural Network 입력, 은닉, 출력 3개의 계층으로 되어 있으며, 은닉 계측과 출력 계층이 Fully Connected 계층인 모델을 얕은 신경망(Shallow Neural Network)라고 합니다. 입력 계층(Input Layer) 아무런 연산 없이 은닉계층으로 값을 전달함. 계층의 크기=Node의 개수=입력 Scalar의 수=입력 Vecto...

자세한 내용 보기

Sentencepiece를 이용하여 Korean wiki data Vocab(단어집합) 만들기/생성

대학원 논문으로 XMLR을 이용하여 기계학습을 연구 중 입니다. 수치를 조금이라도 올리고 싶어 제공된 Vocab이 아닌 한글 위주의 Vocab을 만들어 학습 결과를 확인하기 위해 KorWiki를 이용해 Vocab을 만들어 보겠습니다. XMLR의 Vocab은 Sentencepiece로 생성됩니다. Sentencepiece를 Korean wiki data를 Vocab(단어집합)을 만들어 보겠습니다. 1. training data(Corpus) 수집 위키피디아는 정기적으로 덤프 파일로 릴리즈 한다. 다음 사이트에서 다운로드 할 수 있습니다. Korean wiki download site 메인화면: https://ko.wikipedia.org/wiki/%EC%9C%84%ED%82%A4%EB%B0%B1%EA%B3%BC:%EB%8D%B0%EC%9D%B4%ED%84%B0%EB%B2%A0%EC%9D%B4%EC%8A%A4_%EB%8B%A4%EC%9A%B4%EB%A1%9C%EB%93%9C 다운로드: https://dumps.wikimedia.org/kowiki/ 다운로드에 접속하면 날짜별로 리스트되어 있습니다. 안으로 들어가면 여러 파일이 있습니다. 메인화면에 들어가면 파일 용도를 확인할 수 있습니다. 내용은 다음과 같습니다. pages-articles.xml.bz2 - 일반 문서의 최신 버전만이 묶여 있고, 전체 편집 역사는 들어있지 않습니다. 대부분의 이용자는 이 파일을 이용하면 됩니다. pages-current.xml.bz2 - 모든 문서의 최신 버전이 묶여 있습니다. pages-full.xml.bz2/7z - 모든 문서(토론 포함)의 최신 버전이 묶여 있습니다. pages-meta-history.xml.bz2 - 모든 문서의 모든 편집 내역이 묶여 있습니다. pages-logging.xml.gz - 모든 문서와 사용자에 대한 행위 기록이 묶여 있습니다. abstract.xml.gz - 문서 요약이 묶여 있습니다. al...

자세한 내용 보기

Sungwoony

이 블로그 검색