-
Notifications
You must be signed in to change notification settings - Fork 4
/
DatasetVectorizers.py
806 lines (587 loc) · 28.2 KB
/
DatasetVectorizers.py
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
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
# -*- coding: utf-8 -*-
'''
Классы-векторизаторы датасета для программы бенчмаркинга эффективности
разных word representation в задаче определения допустимости N-граммы
(см. https://github.com/Koziev/WordRepresentations)
(c) Козиев Илья inkoziev@gmail.com
'''
from __future__ import print_function
import gensim
import numpy as np
import codecs
import collections
import itertools
import random
from scipy.sparse import lil_matrix
from itertools import chain
import math
import sklearn.model_selection
import sys
import zipfile
from model_configurator import ModelConfigurationSettings
def get_ngrams(input_list, n):
return zip(*[input_list[i:] for i in range(n)])
def subclasses(cls):
"""
Вспомогательная функция для получения всех подклассов для заданного класса,
включая второй и последующий уровни иерархии, если вдруг понадобиться отнаследоваться
от Chars_Vectorizer, например.
:param cls: базовый класс
:return: список классов-наследников
"""
return list(
chain.from_iterable(
[list(chain.from_iterable([[x], subclasses(x)])) for x in cls.__subclasses__()]
)
)
class BaseVectorizer(object):
"""
Базовый класс для загрузки и векторизации датасета.
Его задача - вернуть тензоны X_data и y_data, на которых
будет учиться бинарный классификатор.
"""
def __init__(self):
pass
def vectorize_dataset(self, corpus_reader, ngram_order=3, nb_samples=1000000):
raise NotImplemented()
def _generate_dataset(self, all_words, valid_ngrams, ngram_order, nb_samples):
dataset_x = []
dataset_y = []
word_list = list(all_words)
print('Building the list of {} positive and negative samples'.format(nb_samples))
for ngram in valid_ngrams:
dataset_x.append(ngram)
dataset_y.append(1)
# заменяем одно слово на произвольное, получаем (обычно) недопустимое сочетание слов.
while True:
iword = random.randint(0, ngram_order - 1)
word = random.choice(word_list)
n = []
new_ngram = []
# слева от заменяемого слова
if iword > 0:
new_ngram.extend( ngram[:iword] )
# добавляем замену слова
new_ngram.append(word)
# справа от заменяемого слова
if iword < ngram_order - 1:
new_ngram.extend(ngram[iword + 1 : ])
new_ngram = tuple(new_ngram)
if new_ngram not in valid_ngrams:
dataset_x.append(new_ngram)
dataset_y.append(0)
break
return (dataset_x, dataset_y)
def _load_ngrams(self, corpus_reader, valid_words, ngram_order, nb_samples):
self.ngram_arity = ngram_order
all_words = set()
valid_ngrams = set()
invalid_ngrams = set()
assert (nb_samples % 2) == 0
MAX_NB_1_NGRAMS = nb_samples / 2
print('Extracting {}-grams from {}...'.format(ngram_order, corpus_reader.get_corpus_info()))
nline = 0
for line in corpus_reader.read_lines():
nline += 1
if (nline % 10000) == 0:
print('{0} lines, {1} ngrams'.format(nline, len(valid_ngrams)), end='\r')
words = line.strip().split(u' ')
all_words_known = True
for word in words:
if valid_words is None or word in valid_words:
all_words.add(word)
ngrams = get_ngrams(words, ngram_order)
for ngram in ngrams:
if ngram not in valid_ngrams and ngram not in invalid_ngrams:
all_words_known = True
for word in ngram:
if word not in all_words:
all_words_known = False
break
if all_words_known:
if len(valid_ngrams) < MAX_NB_1_NGRAMS:
valid_ngrams.add(ngram)
else:
break
else:
invalid_ngrams.add(ngram)
if len(valid_ngrams) >= MAX_NB_1_NGRAMS:
break
print(
'Finished, {0} lines, {1} {2}-grams, {3} words.'.format(nline, len(valid_ngrams), ngram_order, len(all_words)))
(dataset_x,dataset_y) = self._generate_dataset(all_words, valid_ngrams, ngram_order, nb_samples)
return (all_words, dataset_x, dataset_y)
def get_ngram_arity(self):
return self.ngram_arity
@classmethod
def get_name(cls):
raise NotImplemented()
@classmethod
def get_dataset_generator(cls, representation_name):
"""
Фабричный метод для получения генератора датасетов.
Класс, который будет выполнять векторизацию текстового корпуса,
ищется по заданной условной строковой метке. Эту же метку возвращает
метод get_name() в классах-векторизаторах.
:param representation_name: наименование способа представления слов
:return: объект класса, производного от BaseVectorizer, который будет выполнять генерацию матриц датасета.
"""
for vectorizer_class in subclasses(BaseVectorizer):
label = getattr(vectorizer_class, 'get_name')()
if label == representation_name:
return vectorizer_class()
raise NotImplemented()
# -------------------------------------------------------------------
class W2V_Vectorizer(BaseVectorizer):
"""
В качестве репрезентаций слов берем их векторы из ранее обученной word2vec модели.
Векторы слов в N-грамме склеиваются в один вектор.
"""
def __init__(self):
super(W2V_Vectorizer,self).__init__()
@classmethod
def get_name(cls):
return 'w2v'
def get_vectors_path(self):
# путь к word2vec модели или файлу с аналогичным форматом
return ModelConfigurationSettings.get_w2v_path()
def _load_w2v(self):
w2v_path = self.get_vectors_path()
print('Loading w2v model from {}...'.format(w2v_path))
#w2v = gensim.models.KeyedVectors.load_word2vec_format(w2v_path, binary=False)
veclen = -1
nb_words = -1
word2vector = dict()
with codecs.open(w2v_path, 'r', 'utf-8') as rdr:
for line in rdr:
if veclen==-1:
tx = line.strip().split()
nb_words = int(tx[0])
veclen = int(tx[1])
else:
tx = line.strip().split()
word = tx[0]
vec = [ float(z) for z in tx[1:] ]
vec = np.asarray(vec, dtype='float32')
word2vector[word] = vec
return word2vector
def vectorize_dataset(self, corpus_reader, ngram_order=None, nb_samples=None):
if not ngram_order:
ngram_order = 3
if not nb_samples:
nb_samples = 1000000
w2v = self._load_w2v()
#valid_words = set(w2v.vocab)
valid_words = set(w2v.keys())
(all_words, dataset_x, dataset_y) = self._load_ngrams(corpus_reader, valid_words, ngram_order, nb_samples)
assert( len(dataset_x)==nb_samples )
# -------------------------------------------------------------------
y_data = np.zeros((nb_samples), dtype='bool')
y_data[:] = dataset_y[:]
#nword = len(w2v.vocab)
nword = len(w2v)
print('Number of words={0}'.format(nword))
vec_len = len(w2v[w2v.keys()[0]])
print('Vector length={0}'.format(vec_len))
input_size = vec_len * ngram_order
X_data = np.zeros((nb_samples, input_size), dtype='float32')
for idata, ngram in enumerate(dataset_x):
for iword, word in enumerate(ngram):
X_data[idata, iword * vec_len:(iword + 1) * vec_len] = w2v[word]
return (X_data, y_data)
# -------------------------------------------------------------------
class AE_Vectorizer(W2V_Vectorizer):
"""
В качестве репрезентаций слов берем их векторы с внутреннего слова
автоэнкодера (см. ./WordAutoencoders/word_autoencoder3.py).
Векторы слов в N-грамме склеиваются в один вектор.
"""
def __init__(self):
super(W2V_Vectorizer, self).__init__()
@classmethod
def get_name(cls):
return 'ae'
def get_vectors_path(self):
return ModelConfigurationSettings.get_ae_path()
# -------------------------------------------------------------------
class SDR_Vectorizer(BaseVectorizer):
"""
В качестве репрезентаций слов берем их sparse distributed representations.
Векторы слов в N-грамме склеиваются в один вектор.
"""
def __init__(self):
super(SDR_Vectorizer,self).__init__()
@classmethod
def get_name(cls):
return 'sdr'
def _load_sdr(self):
# путь к подготовленным SDR слов
# TODO: вынести в конфигурацию
sdr_path = r'/home/eek/polygon/w2v_binarizarion/mfaruqui/sparse-coding/out_vecs.txt'
#sdr_path = r'/home/eek/polygon/WordSDR2/sdr.dat'
print('Loading SDRs...')
word2sdr = dict()
with codecs.open(sdr_path, 'r', 'utf-8') as rdr:
for line in rdr:
tx = line.strip().split()
word = tx[0]
vec = [ (True if float(z)>0.0 else False) for z in tx[1:] ]
vec = np.asarray(vec, dtype='float32')
#vec = np.asarray(vec, dtype=np.bool)
word2sdr[word] = vec
return (set(word2sdr.keys()), word2sdr)
def vectorize_dataset(self, corpus_reader, ngram_order=None, nb_samples=None):
if not ngram_order:
ngram_order = 3
if not nb_samples:
nb_samples = 1000000
(valid_words,word2sdr) = self._load_sdr()
(all_words, dataset_x, dataset_y) = self._load_ngrams(corpus_reader, valid_words, ngram_order, nb_samples)
assert( len(dataset_x)==nb_samples )
# -------------------------------------------------------------------
y_data = np.zeros((nb_samples), dtype='bool')
y_data[:] = dataset_y[:]
nword = len(valid_words)
print('Number of words={0}'.format(nword))
vec_len = len( word2sdr.values()[0] )
print('Vector length={0}'.format(vec_len))
input_size = vec_len * ngram_order
X_data = np.zeros((nb_samples, input_size), dtype='float32')
for idata, ngram in enumerate(dataset_x):
for iword, word in enumerate(ngram):
X_data[idata, iword * vec_len:(iword + 1) * vec_len] = word2sdr[word]
return (X_data, y_data)
# -------------------------------------------------------------------
class BinaryWord_Vectorizer(BaseVectorizer):
"""
Самый глупый способ векторизации - просто берем список слов, присваиваем
каждому слову целочисленный код и вуаля.
"""
def __init__(self):
super(BinaryWord_Vectorizer,self).__init__()
@classmethod
def get_name(cls):
return 'random_bitvector'
def vectorize_dataset(self, corpus_reader, ngram_order=None, nb_samples=None):
if not ngram_order:
ngram_order = 3
if not nb_samples:
nb_samples = 1000000
(all_words, dataset_x, dataset_y) = self._load_ngrams(corpus_reader=corpus_reader, valid_words=None, ngram_order=ngram_order, nb_samples=nb_samples)
assert( len(dataset_x)==nb_samples )
nb_words = len(all_words)
print('Generating {} word vectors...'.format(nb_words) )
vec_len = 128 # длина битового вектора для каждого слова
nb_1s = 16 # сколько единичных битов будет в каждом векторе
word2index = dict([ (w,i) for i,w in enumerate(all_words)])
p1 = float(nb_1s)/vec_len
p0 = float(vec_len-nb_1s)/vec_len
word_vectors = np.zeros( (nb_words,vec_len), dtype='bool' )
for iword,word in enumerate(all_words):
v = np.random.choice([0, 1], size=(vec_len,), p=[p0,p1])
word_vectors[iword] = v
# -------------------------------------------------------------------
y_data = np.zeros((nb_samples), dtype='bool')
y_data[:] = dataset_y[:]
input_size = vec_len * ngram_order
X_data = np.zeros((nb_samples, input_size), dtype='bool')
for idata, ngram in enumerate(dataset_x):
for iword, word in enumerate(ngram):
X_data[idata, iword * vec_len:(iword + 1) * vec_len] = word_vectors[ word2index[word] ]
return (X_data, y_data)
# -------------------------------------------------------------------
class BrownClusters_Vectorizer(BaseVectorizer):
"""
В качестве репрезентаций слов берем результаты brown clustering (https://en.wikipedia.org/wiki/Brown_clustering).
"""
def __init__(self):
super(BrownClusters_Vectorizer,self).__init__()
@classmethod
def get_name(cls):
return 'bc'
def _load_bc(self):
# путь к word2vec модели
bc_path = r'../data/paths'
print('Loading brown clusters from {}...'.format(bc_path))
w2bc = dict()
with codecs.open(bc_path, "r", "utf-8") as rdr:
for line in rdr:
tx = line.strip().split(u'\t')
c = tx[0]
word = tx[1]
w2bc[word] = c
return w2bc
def vectorize_dataset(self, corpus_reader, ngram_order=None, nb_samples=None):
if not ngram_order:
ngram_order = 3
if not nb_samples:
nb_samples = 1000000
w2bc = self._load_bc()
valid_words = set( w2bc.keys() )
(all_words, dataset_x, dataset_y) = self._load_ngrams(corpus_reader, valid_words, ngram_order, nb_samples)
assert( len(dataset_x)==nb_samples )
vec_len = max( len(c) for c in w2bc.values() )
print('Vector length={0}'.format(vec_len))
# -------------------------------------------------------------------
print('Vectorize {} samples in dataset...'.format( len(dataset_x) ) )
y_data = np.zeros((nb_samples), dtype='bool')
y_data[:] = dataset_y[:]
input_size = vec_len * ngram_order
X_data = lil_matrix( (nb_samples, input_size), dtype='bool')
for idata, ngram in enumerate(dataset_x):
for iword, word in enumerate(ngram):
v0 = w2bc[word]
v = v0.ljust(vec_len,' ')
for j,x in enumerate(v):
if x=='0' or x=='1':
X_data[idata, iword * vec_len + j ] = (x=='1')
return (X_data, y_data)
# -------------------------------------------------------------------
class Chars_Vectorizer(BaseVectorizer):
"""
1-hot encoding для символов.
Репрезентации слов получаются склеиванием векторов символов.
"""
def __init__(self):
super(Chars_Vectorizer,self).__init__()
@classmethod
def get_name(self):
return 'chars'
def vectorize_dataset(self, corpus_reader, ngram_order=None, nb_samples=None):
if not ngram_order:
ngram_order = 3
if not nb_samples:
nb_samples = 1000000
(all_words, dataset_x, dataset_y) = self._load_ngrams(corpus_reader=corpus_reader, valid_words=None, ngram_order=ngram_order, nb_samples=nb_samples)
assert( len(dataset_x)==nb_samples )
nb_words = len(all_words)
all_chars = set()
for w in all_words:
all_chars.update(w)
nb_chars = len(all_chars)
char2index = dict( [ (c,i) for i,c in enumerate(all_chars)] )
max_word_len = max( [len(w) for w in all_words ] )
vec_len = nb_chars*max_word_len # длина битового вектора для каждого слова
# -------------------------------------------------------------------
y_data = np.zeros((nb_samples), dtype='bool')
y_data[:] = dataset_y[:]
input_size = vec_len * ngram_order
X_data = lil_matrix( (nb_samples, input_size), dtype='bool')
for idata, ngram in enumerate(dataset_x):
for iword, word in enumerate(ngram):
for j,c in enumerate(word[::-1]):
X_data[idata, iword * vec_len + j*nb_chars + char2index[c]] = True
return (X_data, y_data)
# -------------------------------------------------------------------
class HashingTrick_Vectorizer(BaseVectorizer):
"""
Использование Hashing Trick (https://en.wikipedia.org/wiki/Feature_hashing)
"""
def __init__(self):
super(HashingTrick_Vectorizer,self).__init__()
@classmethod
def get_name(cls):
return 'hashing_trick'
def vectorize_dataset(self, corpus_reader, ngram_order=None, nb_samples=None):
if not ngram_order:
ngram_order = 3
if not nb_samples:
nb_samples = 1000000
(all_words, dataset_x, dataset_y) = self._load_ngrams(corpus_reader=corpus_reader, valid_words=None, ngram_order=ngram_order, nb_samples=nb_samples)
assert( len(dataset_x)==nb_samples )
NB_SLOTS = 32000 # столько элементов будет в хэш-таблице, так что
# некоторое количество слов будут давать коллизии
hash_dict = gensim.corpora.hashdictionary.HashDictionary( id_range=NB_SLOTS, debug=True)
nb_words = len(all_words)
# -------------------------------------------------------------------
y_data = np.zeros((nb_samples), dtype='bool')
y_data[:] = dataset_y[:]
input_size = NB_SLOTS * ngram_order
X_data = lil_matrix( (nb_samples, input_size), dtype='bool')
for idata, ngram in enumerate(dataset_x):
tokens = hash_dict.doc2bow( ngram, allow_update=True )
for iword,(token_id,token_count) in enumerate(tokens):
X_data[idata, iword*NB_SLOTS + token_id] = True
return (X_data, y_data)
# -------------------------------------------------------------------
class WordIndeces_Vectorizer(BaseVectorizer):
"""
В качестве репрезентаций слов берем их индексы (случайное упорядочивание)
"""
def __init__(self):
super(WordIndeces_Vectorizer,self).__init__()
self.all_words = []
@classmethod
def get_name(cls):
return 'word_indeces'
@property
def nb_words(self):
return len(self.all_words)
def vectorize_dataset(self, corpus_reader, ngram_order=None, nb_samples=None):
if not ngram_order:
ngram_order = 3
if not nb_samples:
nb_samples = 1000000
(self.all_words, dataset_x, dataset_y) = self._load_ngrams(corpus_reader, None, ngram_order, nb_samples)
assert( len(dataset_x)==nb_samples )
self.word2id = dict([(w,i) for i,w in enumerate(self.all_words)])
# -------------------------------------------------------------------
y_data = np.zeros((nb_samples), dtype='bool')
y_data[:] = dataset_y[:]
input_size = ngram_order
X_data = np.zeros((nb_samples, input_size), dtype='int32')
for idata, ngram in enumerate(dataset_x):
for iword, word in enumerate(ngram):
X_data[idata, iword ] = self.word2id[word]
return (X_data, y_data)
def get_vocabulary(self):
return self.word2id
# -------------------------------------------------------------------
class W2V_Tags_Vectorizer(W2V_Vectorizer):
"""
В качестве репрезентаций слов берем их векторы из ранее обученной word2vec модели
и добавляем морфологические признаки из грамматического словаря.
"""
def __init__(self):
super(W2V_Tags_Vectorizer,self).__init__()
@classmethod
def get_name(cls):
return 'w2v_tags'
def vectorize_dataset(self, corpus_reader, ngram_order=None, nb_samples=None):
if not ngram_order:
ngram_order = 3
if not nb_samples:
nb_samples = 1000000
# загружаем грамматический словарь
tag2id = dict()
tagset2id = dict()
id2tagset = dict()
word2tagset = dict()
tagged_words = set()
with zipfile.ZipFile('../data/word2tags_bin.zip') as z:
with z.open('word2tags_bin.dat') as rdr:
for line in rdr:
tx = line.decode('utf-8').strip().split(u'\t')
word = tx[0]
tagset = []
for tag in tx[1:]:
if tag not in tag2id:
tag2id[tag] = len(tag2id)
tagset.append(tag2id[tag])
tagset = tuple(tagset)
if tagset not in tagset2id:
t_id = len(tagset2id)
tagset2id[tagset] = t_id
id2tagset[t_id] = tagset
word2tagset[word] = tagset2id[tagset]
tagged_words.add(word)
w2v = self._load_w2v()
valid_words = set(w2v.vocab) & tagged_words
(all_words, dataset_x, dataset_y) = self._load_ngrams(corpus_reader, valid_words, ngram_order, nb_samples)
assert( len(dataset_x)==nb_samples )
# -------------------------------------------------------------------
y_data = np.zeros((nb_samples), dtype='bool')
y_data[:] = dataset_y[:]
nword = len(w2v.vocab)
print('Number of words={0}'.format(nword))
vec_len = len(w2v.syn0[0])
print('Vector length={0}'.format(vec_len))
tags_per_word = len(tag2id)
input_size = vec_len * ngram_order + tags_per_word*ngram_order
X_data = np.zeros((nb_samples, input_size), dtype='float32')
for idata, ngram in enumerate(dataset_x):
# склеиваем w2v векторы слов
for iword, word in enumerate(ngram):
X_data[idata, iword * vec_len:(iword + 1) * vec_len] = w2v[word]
# справа приклеим еще морфологические признаки
i0 = len(ngram)*vec_len
for iword, word in enumerate(ngram):
tagset = id2tagset[word2tagset[word]]
for tag_id in tagset:
X_data[idata, i0 + iword*tags_per_word+ tag_id] = 1.0
return (X_data, y_data)
# -------------------------------------------------------------------
class WordFreqs_Vectorizer(BaseVectorizer):
"""
В качестве репрезентаций слов берем их частоту - получается одномерное представление.
Данное представление используется для проверки гипотезы касательно результатов
использования индексов слов в качестве категориальных признаков.
"""
def __init__(self):
super(WordFreqs_Vectorizer,self).__init__()
self.all_words = []
@classmethod
def get_name(cls):
return 'word_freq'
@property
def nb_words(self):
return len(self.all_words)
def vectorize_dataset(self, corpus_reader, ngram_order=None, nb_samples=None):
if not ngram_order:
ngram_order = 3
if not nb_samples:
nb_samples = 1000000
print('Counting word occurencies in {}...'.format(corpus_reader.get_corpus_info()))
word2freq = collections.Counter()
nline = 0
for line in corpus_reader.read_line():
nline += 1
if (nline % 10000) == 0:
print('{0} lines, {1} words'.format(nline, len(word2freq)), end='\r')
words = line.strip().split(u' ')
word2freq.update(words)
print(
'Finished, {0} lines, {1} words.'.format(nline, len(word2freq)))
sum_freq = sum(word2freq.values())
(self.all_words, dataset_x, dataset_y) = self._load_ngrams(corpus_reader, None, ngram_order, nb_samples)
word2y = dict([(w,cnt/float(sum_freq)) for w,cnt in word2freq.iteritems()])
# -------------------------------------------------------------------
y_data = np.zeros((nb_samples), dtype='bool')
y_data[:] = dataset_y[:]
input_size = ngram_order
X_data = np.zeros((nb_samples, input_size), dtype='int32')
for idata, ngram in enumerate(dataset_x):
for iword, word in enumerate(ngram):
X_data[idata, iword ] = word2y[word]
return (X_data, y_data)
# -------------------------------------------------------------------
class CharIndeces_Vectorizer(BaseVectorizer):
"""
Символы меняются на индексы. Далее цепочка символов в каждом
слове дополняется справа до фиксированной длины, и получившиеся
цепочки склеиваются в возвращаемый вектор индексов символов.
Предполагается, что далее будет использован Embedding слой для
получения встраивания каждого символа в векторное пространство.
"""
def __init__(self):
super(CharIndeces_Vectorizer,self).__init__()
@classmethod
def get_name(cls):
return 'char_indeces'
def vectorize_dataset(self, corpus_reader, ngram_order=None, nb_samples=None):
if not ngram_order:
ngram_order = 3
if not nb_samples:
nb_samples = 1000000
(all_words, dataset_x, dataset_y) = self._load_ngrams(corpus_reader, valid_words=None, ngram_order=ngram_order, nb_samples=nb_samples)
assert( len(dataset_x)==nb_samples )
self.all_chars = set()
for w in all_words:
self.all_chars.update(w)
nb_chars = len(self.all_chars)
self.char2index = dict( [ (c,i) for i,c in enumerate( itertools.chain(u' ', self.all_chars) )] )
max_word_len = max( [len(w) for w in all_words] )
vec_len = max_word_len
# -------------------------------------------------------------------
y_data = np.zeros((nb_samples), dtype='bool')
y_data[:] = dataset_y[:]
input_size = vec_len * ngram_order
X_data = np.zeros((nb_samples, input_size), dtype='int32')
for idata, ngram in enumerate(dataset_x):
for iword, word in enumerate(ngram):
for j,c in enumerate(word[::-1]):
X_data[idata, iword * vec_len + j] = self.char2index[c]
return (X_data, y_data)
@property
def nb_chars(self):
return len(self.char2index)