FlashText:语料库数据快速清理利器

By 李泽南2017年11月10日 10:39
数据清理是很多机器学习任务上我们遇到的首要问题。本文介绍的 FastText 是一个开源 Python 库,可用于快速进行大规模语料库的文本搜索与替换。该项目的作者表示,使用正则表达式(Regex)需要 5 天的任务在新的方法中只需要 15 分钟即可完成。


项目链接:https://github.com/vi3k6i5/flashtext


自然语言处理领域的开发者在处理文本之前必须对数据进行清理。有些时候,此类工作是由关键词替换完成的,就像吧「Javascript」替换成「JavaScript」。另一些时候,我们只需要知道文档中是否提到了「JavaScript」。


这类数据清理任务是大多数处理文本的数据科学项目必须要做的。


数据科学从清理数据开始


本文作者是 Belong.co 的一名数据科学家,需要从事有关自然语言处理的工作,于是遇到了这个问题。当我在自己的文档语料库中开始训练 Word2Vec 模型时,它开始将同义词归为同类项,「Javascripting」被归类为「JavaScript」的同类项。


为了解决这个问题,我写了一个正则表达式(Regex),用标准化命名来替换所有已知的同义词。Regex 会将「Javascripting」替换为「JavaScript」,这解决了一个问题,却又带来了另一个问题。


有些人遇到问题时会想:「没关系,我们有正则表达式。」现在问题变成了两个。


上文所述引自 Stack-exchange question,现在让我遇到了。


事实证明,正则表达式的速度很快——如果要搜索和替换的关键词数量是一百多个的话。但是面对超过 20k 个关键词,300 万个文件的语料库,事情就会变得很糟。当我测试我的代码时,我发现完全运行需要 5 天之久。




通常,面对这种情况我们的解决方案是并行运算。但在面对上千万个文件中成百上千出现频次的关键词,并行的性能提升有限,我们必须找到更好的方法!


幸好,在 Stack Overflow 上我的疑问获得了大家的关注,网友们和公司同事 Vinay Pandey、Suresh Lakshmanan 等人提到了一个名叫 Aho-Corasick 算法的神奇工具,以及前缀树数据结构(Trie Data Structure)。然而目前网络上还缺乏相关资源。



所以我开始自己动手,FlashText 诞生了。


在介绍 FlashText 的结构和工作原理之前,先看看它的搜索性能表现:



下面的红线是 FlashText 的搜索耗时


如上图所示,Regex 算法和 FlashText 搜索同一篇文档的耗时相差很大。随着关键词数量的增加,Regex 的耗时呈线性增长,而对于 FlashText 来说并没有影响。


FlashText 可以把 5 天的工作缩短到 15 分钟!




这是 FlashText 替换的速度:



同样,下面的红线是 FlashText 的替换速度。


所以,FlashText 是什么?


FlashText 是我在 GitHub 上开源的一个 Python 库,它能高效地提取和替换关键词。


使用 FlashText 时,首先你需要发送一系列关键词,这个列表将被用于在内部建立一个前缀树字典。随后你需要传递一个字符串,告诉它你需要执行替换还是搜索。


在替换时,它会创建一个新字符串来替换关键词。在搜索时,它会返回一个关键词列表。这一切都将在输入字符串上进行。


有的用户是这样评价FastText的:



Radim Řehůřek 是著名 Python 库 Gensim 的作者


FlashText 为什么那么快?


我们用一个例子来尝试和理解这一部分。假设我们有一个包含三个单词的句子 I like Python,和一个有四个单词的语料库 {Python,Java,J2ee,Ruby}。


如果每次取出语料库中的一个单词,并检查其在句子中是否出现,这需要四次操作。


  1. is 'Python' in sentence?

  2. is 'Java' in sentence?

  3. ...


如果语料库有 n 个单词,意味着需要做 n 次的循环操作,并且每一个时间步的搜索都是 isin sentence ? 这有点像正则表示式相配(Regex match)中的过程。


还有另一种和第一种相反的方法。对于句子中的每一个单词,检查其是否在语料库中出现。


  1. is 'I' in corpus?

  2. is 'like' in corpus?

  3. is 'python' in corpus?


如果句子 m 个单词,意味着需要做 m 次的循环操作。在这个例子中所需的时间步取决于句子中的单词数。而使用字典查询进行 isin corpus ? 会快得多。


FlashText 基于第二种方法,由 Aho-Corasick 算法和前缀树(Trie)数据结构所启发。


它的工作方式为:


首先由语料库创建一个如下图所示的前缀树字典:



语料库的前缀树字典


Start 和 EOT(End Of Term,期末)表示单词的边界比如 space、period 和 new_line。只有两侧都有边界的关键词才能得到匹配,这可以防止把 apple 匹配到 pineapple。


下一步我们将取输入字符串为 I like Python,并按字符逐个对齐进行搜索。


  1. Step 1: is Iin dictionary? No

  2. Step 2: is likein dictionary? No

  3. Step 3: is Pythonin dictionary? Yes



Python出现在字典中。


由于这是一个字符匹配过程,我们可以轻易地在进行到l 的时候跳过整个like,因为 start 并没有和 l 相连。这使得跳过缺失单词的过程变得非常快。


FlashText 算法只需要遍历输入字符串『I like Python』的每一个字符。即使字典有上百万个关键词,对运行时间也没有任何影响。这是 FlashText 算法的真正威力。


什么时候需要使用 FlashText?


简单的回答是:当关键词数量>500 的时候




当关键词数量>500 的时候,FlashText 的搜索速度开始超过 Regex


完整的回答是:Regex 可以搜索基于特殊字符比如^、$、*、\d 等的关键词,而 FlashText 不支持这种搜索。


所以如果想要匹配部分单词比如『word\dvec』,使用 FlashText 并没有好处,但其非常善于提取完整的单词比如『word2vec』。


用于寻找关键词的代码


  1. # pip install flashtext

  2. from flashtext.keyword import KeywordProcessor

  3. keyword_processor = KeywordProcessor()

  4. keyword_processor.add_keyword('Big Apple', 'New York')

  5. keyword_processor.add_keyword('Bay Area')

  6. keywords_found = keyword_processor.extract_keywords('I love Big Apple and Bay Area.')

  7. keywords_found

  8. # ['New York', 'Bay Area']


使用 FlashText 提取关键词的简单例子


用于替换关键词的代码


FlashText 不仅可以提取句子中的关键词还可以对其进行替换。我们将此作为数据处理管道的数据清理步骤。 


  1. from flashtext.keyword import KeywordProcessor

  2. keyword_processor = KeywordProcessor()

  3. keyword_processor.add_keyword('Big Apple', 'New York')

  4. keyword_processor.add_keyword('New Delhi', 'NCR region')

  5. new_sentence = keyword_processor.replace_keywords('I love Big Apple and new delhi.')

  6. new_sentence

  7. # 'I love New York and NCR region.'


使用 FlashText 替换关键词的简单例子

声明:本文由机器之心编译出品,原文来自GitHub,作者Synced,转载请查看要求,机器之心对于违规侵权者保有法律追诉权。