En el capítulo anterior, aprendimos a construir y estructurar un corpus personalizado y específico del dominio. Por desgracia, cualquier corpus real en su forma bruta es completamente inutilizable para el análisis sin un preprocesamiento y compresión significativos. De hecho, una motivación clave para escribir este libro es el inmenso reto que nosotros mismos hemos encontrado en nuestros esfuerzos por construir y manejar corpus lo suficientemente grandes y ricos como para alimentar productos de datos significativamente alfabetizados. Teniendo en cuenta el tiempo y el esfuerzo que dedicamos al preprocesamiento y la gestión de textos, es sorprendente que existan tan pocos recursos para apoyar (¡o incluso reconocer!) estas fases.
En este capítulo, proponemos un marco de preprocesamiento polivalente que puede utilizarse para transformar sistemáticamente nuestro texto bruto ingerido en una forma que esté lista para el cálculo y el modelado. Nuestro marco incluye las cinco etapas clave que se muestran en la Figura 3-1: extracción de contenido, bloqueo de párrafos, segmentación de frases, tokenización de palabras y etiquetado de partes del discurso. Para cada una de estas etapas, proporcionaremos funciones concebidas como métodos bajo la clase HTMLCorpusReader definida en el capítulo anterior.
Figura 3-1. Desglose ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month, and much more.
O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.
Julian F.
Head of Cybersecurity
I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.
Addison B.
Field Engineer
I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.
Amir M.
Data Platform Tech Lead
I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.
O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.
