酷应用

资源 | 十五分钟完成Regex五天任务：FastText，语料库数据快速清理利器

百家作者：机器之心 2017-11-10 08:51:05

选自FreeCoderCamp

作者：Vikash Singh

机器之心编译

参与：李泽南、刘晓坤

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。

Aho-Corasick 算法：https://en.wikipedia.org/wiki/Aho%E2%80%93Corasick_algorithm
Trie Data Structure：https://en.wikipedia.org/wiki/Trie

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。

is 'Python' in sentence? 
is 'Java' in sentence?
...

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。

is 'I' in corpus?
is 'like' in corpus?
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。

Step 1: is Iin dictionary? No
Step 2: is likein dictionary? No
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『worddvec』，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

# pip install flashtext
from flashtext.keyword import KeywordProcessor
keyword_processor = KeywordProcessor()
keyword_processor.add_keyword('Big Apple', 'New York')
keyword_processor.add_keyword('Bay Area')
keywords_found = keyword_processor.extract_keywords('I love Big Apple and Bay Area.')
keywords_found
# ['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。

from flashtext.keyword import KeywordProcessor
keyword_processor = KeywordProcessor()
keyword_processor.add_keyword('Big Apple', 'New York')
keyword_processor.add_keyword('New Delhi', 'NCR region')
new_sentence = keyword_processor.replace_keywords('I love Big Apple and new delhi.')
new_sentence
# 'I love New York and NCR region.'