기본 콘텐츠로 건너뛰기

데이터 전처리 - 토큰화(Tokenization)



1. 토큰화(Tokenization) 정의


토큰화(tokenization)란 코퍼스를 의미있는 작은 단위로 나누는 작업입니다.

  • Vocab에 없는 단어일 경우 음절(character) 단위로 나눠지며, 음절도 Vocab에 없을 경우 Unknown token으로 처리됩니다.


2. 가장 간단한 토큰화 방법

간단한 토큰화 방법으로 특수문자 및 구두점 제거하고 공백(whitespace)을 기준 토큰화(Word Tokenization) 하는 방법이 있습니다.

입력: Time is an illusion. Lunchtime double so!
출력 : "Time", "is", "an", "illustion", "Lunchtime", "double", "so"
이 방법은 온점(.)이 문장의 경계가 아닌 $45.55 같은 경우 문제가 발생합니다. 또한 특수문자 $는 화폐를 의미하는 경우도 있습니다.

입력: What're your doing
출력 : "What", "re", "your", "doing"
아포스트로피('), 즉 압축된 단어도 고려가 되지 않은 문제점이 있습니다. 위의 예에서 re를 접어(clitic)이라고 합니다.

Library Info
  • from nltk.tokenize import word_tokenize
  • from nltk.tokenize import WordPunctTokenizer 
  • from tensorflow.keras.preprocessing.text import text_to_word_sequence

 3. 문장 토큰화(Sentence Tokenization)
코퍼스를 문장 단위로 구분하는 방법입니다.
  • 영어 문장 토큰화: NLTK - sent_tokenize
  • 한글 문장 토큰화: KSS

4. 이진 분류기(Binary Classifier)

온점의 처리를 위해서 입력에 따라 두 개의 클래스로 분류하는 이진 분류기(binary classifier)를 사용하기도 합니다.
  • 온점(.)이 약어(abbreivation)로 쓰이는 경우(온점이 단어의 일부분)
  • 온점(.)이 문장의 구분자(boundary)일 경우

5. 한글에서의 토큰화의 어려움

한글은 교착어입니다. 교착어란 조사, 어미 등을 붙여서 말을 만드는 언어를 말합니다.
한글에서 띄어쓰기가 되어 있는 단위를 어절이라고 하는데 한글은 어절이 독립적인 단어로 구성되는 것이 아니라 조사 등의 무언가가 붙어있는 경우가 많아서 이를 전부 분리해줘야 합니다. 
한글을 토큰화 하기 위해서는 형태소(morpheme)란 개념을 반드시 이해해야 합니다.  형태소(morpheme)란 뜻을 가진 가장 작은 말의 단위를 말합니다.

  • 자립 형태소 : 접사, 어미, 조사와 상관없이 자립하여 사용할 수 있는 형태소로 그 자체로 단어가 됨
    • 체언(명사, 대명사, 수사), 수식언(관형사, 부사), 감탄사 등
  • 의존 형태소 : 다른 형태소와 결합하여 사용되는 형태소 
    • 접사, 어미, 조사, 어간를 말한다.
예)
문장 : 에디가 딥러닝책을 읽었다
자립 형태소 : 에디, 딥러닝책
의존 형태소 : -가, -을, 읽-, -었, -다

6. 품사 태깅(Part-of-speech tagging)

NLTK와 KoNLPy를 이용한 영어, 한국어 토큰화 실습 내용입니다. NLTK에서는 Penn Treebank POS Tags라는 기준으로 합니다.

  • PRP - 인칭 대명사
  • VBP - 동사
  • RB - 부사
  • VBG - 현재부사
  • IN - 전치사
  • NNP - 고유 명사
  • NNS - 복수형 명사
  • CC - 접속사
  • DT - 관사

KoNLPy를 사용해서 형태소 분석을 합니다. KoNLPy의 형태소 분석기로는 Okt(Open Korea Text), 메캅(Mecab), 코모란(Komoran), 한나눔(Hannanum), 꼬꼬마(Kkma)가 있습니다.

  • morphs : 형태소 추출
  • pos : 품사 태깅(Part-of-speech tagging)
  • nouns : 명사 추출

감사합니다.

Reference: https://wikidocs.net/21698

라벨:

댓글

댓글 쓰기

이 블로그의 인기 게시물

[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...
댓글 쓰기
자세한 내용 보기

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...
댓글 쓰기
자세한 내용 보기

[Deep Learning-딥러닝]SRU(Simple Recurrent Unit)

SRU(Simple Recurrent Unit) SRU는 병렬화와 시퀀스 모델링이 가능한 light recurrence한 unit입니다. 기존 RNN Architecture(RNN, LSTM, GRU)는 previous time step에 대한 의존성 때문에 병렬처리가 불가능하여 학습 속도가 느렸습니다. 이런 단점을 SRU는 높은 병렬화 및 시퀀스 모델링 기능을 제공하여 학습시간 단축시켰습니다. SRU는 분류, 질의응답에서 cuDNN-optimized LSTM보다 5~9배 빠른 속도를 보였고, LSTM과 convolutional models보다 좋은 성능을 보였습니다. 특징 SRU의 state연산은 time-dependent이지만, 각 state 차원은 independent입니다. 이것은 hidden dimension과 time steps에서 병렬화 연산하는 CUDA-level optimization으로 병렬 처리 가능합니다. SRU는 convolutions을 더 많은 recurrent 연결로 대체하였습니다(QRNN과 KNN과 같이). 이건 적은 연산으로 모델링을 유지합니다. SRU는 highway connection방법과 deep architecture에서 gradient전파에 맞게 조정된 매개 변수 초기화 체계를 사용하여 deep recurrent models training을 개선합니다. 연산방법 SRU는 forget gate, state, reset gate, hidden state 연산을 수행합니다. Light recurrence (1, 2번 수식) Forget gate: 정보 흐름을 제어 State: 이전 state와 현재 입력을 forget gate에 따라 조정 특징 - 문자열 정보를 위해 input x와 state c를 연산 - 이전 state에 영향을 받음 - 병렬처리를 위해 matrix multiplication 대신 point-wise multiplication 연산 수행 Highway network (3, 4번 수식) Hidden ...
댓글 쓰기
자세한 내용 보기