如何对文本数据进行整数编码值？

Question

我一直在研究如何为深度学习模型准备数据集。

如果我们有这样的数据，

data = [['this', 'is'], ['not', 'with']]

首先他们得到我们语料库中单词的频率。基于词频整数标签被分配给词。

出现频率高的词被赋值为 1，然后是 2，以此类推..

我的问题是为什么我们需要这样做？我们不能只是为单词随机分配整数值吗？如果我们遵循该规则，它会提高准确性吗？

Answer 1

我怀疑它对准确性有任何影响，除非你以后做一些不寻常的事情

我可以看到它对以下方面的影响：

• 性能：常用词将聚集在一起（接近第零个索引），因此很可能最终一起进入缓存
• 人工解释/可读性：字符串/显示输出将趋于“整齐”，常用词需要更少的数字
• 轻松处理生僻字；所有超过某个阈值的索引值都表明该词是罕见的，并且可以映射到某个占位符/被忽略（取决于模型如何处理这个）