語音合成學(xué)習(xí)（六）學(xué)習(xí)筆記
文本歸一化
一坟瓢、介紹
簡介
文本正則化是將文本數(shù)據(jù)轉(zhuǎn)化為標(biāo)準(zhǔn)形式的過程近她，以便于進(jìn)行自然語言處理和文本分析。文本歸一化通常包括以下步驟：
- 文本清理：刪除文本中的無用信息愤兵，如HTML標(biāo)記铁蹈，特殊字符，URL和標(biāo)點(diǎn)符號等拉队。
- 大小寫統(tǒng)一：將文本中的所有字符轉(zhuǎn)換為小寫或大寫字母弊知。
- 停用詞過濾：刪除指定的停用詞，如“的”粱快、“在”秩彤、“是”等常用詞語。
- 詞干提取或詞形還原：將不同形式的詞匯轉(zhuǎn)換為其原始形式事哭，如將“running”轉(zhuǎn)換為“run”或?qū)ⅰ癱ats”轉(zhuǎn)換為“cat”漫雷。
- 拼寫糾正：修正文本中的拼寫錯(cuò)誤。
文本歸一化的目的是消除文本中的噪聲和不規(guī)則性鳍咱，提高自然語言處理和文本分析的準(zhǔn)確性和效率降盹。
TN全稱Text Normalization，意思是文本規(guī)整谤辜、文本正則化 蓄坏。
TN是 TTS (Text-to-speech，文本轉(zhuǎn)語音) 系統(tǒng)中的重要組成部分丑念，主要功能是將文本中的數(shù)字涡戳、符號、縮寫等轉(zhuǎn)換成語言文字脯倚。如：
# delete english characters
# e.g. "你好aBC" -> "你 好"
# fractionation
# e.g. "現(xiàn)場有7/12的觀眾投出了贊成票" -> "現(xiàn)場有十二分之七的觀眾投出了贊成票"
# time
# e.g. "2:10pm出門" -> "下午兩點(diǎn)十分出門"
- 使用歸一化的好處：
1.提升模型的收斂速度(即加快梯度下降求最優(yōu)解的速度
2.提升模型的精度
在涉及到一些距離計(jì)算的算法時(shí)效果顯著渔彰，比如算法要計(jì)算歐氏距離，歸一化可以讓可以讓各個(gè)特征對結(jié)果做出的貢獻(xiàn)相同推正，未歸一化就會造成精度的損失恍涂。3.提高準(zhǔn)確性：文本歸一化可以消除文本中的噪聲和不規(guī)則性，如大小寫差異植榕、拼寫錯(cuò)誤乳丰、同義詞等，從而提高文本分析的準(zhǔn)確性内贮。
4.降低復(fù)雜性：文本歸一化可以將文本轉(zhuǎn)換為標(biāo)準(zhǔn)格式或標(biāo)準(zhǔn)形式产园，從而降低文本分析的復(fù)雜性和難度。
5.提高效率：文本歸一化可以將不同形式的詞匯轉(zhuǎn)換為其原始形式夜郁，并刪除停用詞等無用信息什燕，從而提高自然語言處理和文本分析的效率。
6.統(tǒng)一數(shù)據(jù)：文本歸一化可以統(tǒng)一不同來源的文本數(shù)據(jù)竞端，使其格式和表達(dá)方式相同屎即，從而方便進(jìn)行后續(xù)的文本分析和處理。
二、常見的歸一化轉(zhuǎn)換規(guī)則與表達(dá)
# 過濾掉特殊字符
text = re.sub(r'[——《》【】<=>{}()（）#&@“”^_|…\\]', '', text)
# 日期表達(dá)式
用 / 或者 - 分隔的 YY/MM/DD 或者 YY-MM-DD 日期
RE_DATE2 = re.compile(r'(\d{4})([- /.])(0[1-9]|1[012])\2(0[1-9]|[12][0-9]|3[01])')
RE_DATE21 = re.compile(r'(\d{4}|\d{2})年'
r'((0?[1-9]|1[0-2])月)?'
r'(((0?[1-9])|((1|2)[0-9])|30|31)([日號]))?')
# 時(shí)刻表達(dá)式
RE_TIME = re.compile(r'([0-1]?[0-9]|2[0-3])'
r':([0-5][0-9])'
r'(:([0-5][0-9]))?')
# 時(shí)間范圍技俐，如8:30-12:30
RE_TIME_RANGE = re.compile(r'([0-1]?[0-9]|2[0-3])'
r':([0-5][0-9])'
r'(:([0-5][0-9]))?'
r'(~|-)'
r'([0-1]?[0-9]|2[0-3])'
r':([0-5][0-9])'
r'(:([0-5][0-9]))?')
# 分?jǐn)?shù)表達(dá)式
RE_FRAC = re.compile(r'(-?)(\d+)/(\d+)')
# 百分?jǐn)?shù)表達(dá)式
RE_PERCENTAGE = re.compile(r'(-?)(\d+(\.\d+)?)%')
# 整數(shù)表達(dá)式
# 帶負(fù)號的整數(shù) -10
RE_INTEGER = re.compile(r'(-)' r'(\d+)')
# 編號-無符號整形
# 00078
RE_DEFAULT_NUM = re.compile(r'\d{3}\d*')
# 數(shù)字表達(dá)式
# 純小數(shù)
RE_DECIMAL_NUM = re.compile(r'(-?)((\d+)(\.\d+))' r'|(\.(\d+))')
# 正整數(shù) + 量詞
RE_POSITIVE_QUANTIFIERS = re.compile(r"(\d+)([多余幾\+])?" + COM_QUANTIFIERS)
RE_NUMBER = re.compile(r'(-?)((\d+)(\.\d+)?)' r'|(\.(\d+))')
# 范圍表達(dá)式
RE_RANGE = re.compile(r'((-?)((\d+)(\.\d+)?)|(\.(\d+)))[-~]((-?)((\d+)(\.\d+)?)|(\.(\d+)))')
# 規(guī)范化固話/手機(jī)號碼
# 手機(jī)
# 移動：139乘陪、138、137雕擂、136啡邑、135、134井赌、159谤逼、158、157仇穗、150流部、151、152纹坐、188枝冀、187、182耘子、183宾茂、184、178拴还、198
# 聯(lián)通：130、131欧聘、132片林、156、155怀骤、186费封、185、176
# 電信：133蒋伦、153弓摘、189、180痕届、181韧献、177
RE_MOBILE_PHONE = re.compile(r"(?<!\d)((\+?86 ?)?1([38]\d|5[0-35-9]|7[678]|9[89])\d{8})(?!\d)")
RE_TELEPHONE = re.compile(r"(?<!\d)((0(10|2[1-3]|[3-9]\d{2})-?)?[1-9]\d{7,8})(?!\d)")
# 全國統(tǒng)一的號碼400開頭
RE_NATIONAL_UNIFORM_NUMBER = re.compile(r"(400)(-)?\d{3}(-)?\d{4}")
# 溫度表達(dá)式，溫度會影響負(fù)號的讀法
# -3°C 零下三度
RE_TEMPERATURE = re.compile(r'(-?)(\d+(\.\d+)?)(°C|℃|度|攝氏度)')
## Normalize unicode characters // 規(guī)范化unicode 字符
def remove_weird_chars(text):
text = unicodedata.normalize('NFKD', text).encode('utf-8', 'ignore').decode(
'utf-8', 'ignore')
return text
## Remove extra linebreaks //刪除額外換行符
def remove_extra_linebreaks(text):
lines = text.split(r'\n+')
return '\n'.join(
[re.sub(r'[\s]+', ' ', l).strip() for l in lines if len(l) != 0])
## Remove extra medial/trailing/leading spaces // 刪除額外的中間/后面/前面的空間
def remove_extra_spaces(text):
return re.sub("\\s+", " ", text).strip()
## Seg the text into words // 分詞
def seg(text):
text_seg = jieba.cut(text)
out = ' '.join(text_seg)
return out
## Remove punctuation/symbols // 除去標(biāo)點(diǎn)符號
def remove_symbols(text):
text = ''.join(
ch for ch in text if unicodedata.category(ch)[0] not in ['P', 'S'])
return text
## Remove numbers // 除去數(shù)字
def remove_numbers(text):
return re.sub('\\d+', "", text)
## Remove alphabets //除去字母
def remove_alphabets(text):
return re.sub('[a-zA-Z]+', '', text)
## Unify upper/lower cases //轉(zhuǎn)換大小寫
if args.to_upper:
text = text.upper()
if args.to_lower:
text = text.lower()
## export const verbalizeCardinal = (num) => {
// 將基數(shù)詞轉(zhuǎn)換為中文漢字表示
let result = '';
for (let digit of String(num)) {
result += CARDINALS[digit];
}
return result;
}
## export const replaceDate = (match) => {
// 將日期字符串中的數(shù)字轉(zhuǎn)換為中文漢字表示
const year = match[1];
const month = match[3];
const day = match[5];
let result = '';
if (year) {
result += `${verbalizeDigit(year)}年`;
}
if (month) {
result += `${verbalizeCardinal(month)}月`;
}
if (day) {
result += `${verbalizeCardinal(day)}${match[9]}`;
}
return result;
## export const replaceDate2 = (match) => {
// 將日期字符串中的數(shù)字轉(zhuǎn)換為中文漢字表示
const year = match[1];
const month = match[3];
const day = match[4];
let result = '';
if (year) {
result += `${verbalizeDigit(year)}年`;
}
if (month) {
result += `${verbalizeCardinal(month)}月`;
}
if (day) {
result += `${verbalizeCardinal(day)}日`;
}
return result;
## export const replaceTime = (match) => {
const isRange = match[6] !== '-';
const hour = parseInt(match[1]);
const minute = parseInt(match[2]);
const second = match[4] ? parseInt(match[4]) : 0;
const hour2 = isRange ? parseInt(match[6]) : null;
const minute2 = isRange ? parseInt(match[7]) : null;
const second2 = isRange && match[9] ? parseInt(match[9]) : null;
let result = `${num2str(hour)}點(diǎn)`;
if (minute.toString().replace(/^0+/, '') !== '') {
if (minute === 30) {
result += '半';
} else {
result += `${_time_num2str(minute)}分`;
}
}
if (second.toString().replace(/^0+/, '') !== '') {
result += `${_time_num2str(second)}秒`;
}
if (isRange) {
result += '至';
result += `${num2str(hour2)}點(diǎn)`;
if (minute2.toString().replace(/^0+/, '') !== '') {
if (minute2 === 30) {
result += '半';
} else {
result += `${_time_num2str(minute2)}分`;
}
}
if (second2.toString().replace(/^0+/, '') !== '') {
result += `${_time_num2str(second2)}秒`;
}
}
return result;
}
以上主要是對歸一化的簡單介紹研叫，也整理了一部分常用的規(guī)則锤窑。
