【人工智能概论】011文本数据处理——切词器Tokenizer

【人工智能概论】011文本数据处理——切词器

---

一. 背景简介

• 使用计算机处理文本时，输入的是一个文字序列，如果直接处理会十分困难。
• 因此希望把每个字（词）切分开，转换成数字索引编号，以便于后续做词向量编码处理。
• 这就需要切词器——Tokenizer。

二. Tokenizer的简要工作介绍

• 首先，将输入的文本按照一定规则切分成一系列的token；
• 然后，在字典中查表，将每个token用一个整数编号来表示；
• 最后，将字典中不存在的字（词）用特殊标识符（‘UNK’）表示，并赋予相应编号。

三. 创建并保存一个Tokenizer切词器

• Tokenizer无需自行实现，用现成的即可。
• 相关代码：

# train_tokenizer.py

# 构建并训练一个tokenizer

from tokenizers import models,normalizers,pre_tokenizers,trainers,Tokenizer

# 定义并设置tokenizer

# 创建一个tokenizer，并指定词表中找不到的词用 'UNK' 代替
tokenizer = Tokenizer(models.WordPiece(unk_token="[UNK]"))  

# 规范化字符串
tokenizer.normalizer = normalizers.Sequence([normalizers.NFD(), # unicode编码工具，让多义字（词）统一化编码
                                            normalizers.Lowercase() # 大小写转换，统一转换成小写。
                                            ])

# 预处理模块，语料中可能存在不可见字符，如tab，让语料按照不可见字符进行预拆分，让语料更干净
tokenizer.pre_tokenizer = pre_tokenizers.WhitespaceSplit()

"""---------------------"""

# 训练并保存tokenizer

# 定义特殊字符列表
special_tokens = ["[UNK]","[PAD]","[CLS]","[SEP]","[MASK]"]
# unk是字典中不存在token的代替品，pad是补位字符，cls放置在句子的开头，sep长句子中的子句分隔符，mask是遮盖

# 构建训练器,vocab_size期望词表中预计有多少词（填个大概的大点的数就行），
trainer = trainers.WordPieceTrainer(vocab_size=10000,special_tokens=special_tokens)

# 训练tokenizer，第一个参数是语料库，中括号中可填写多个txt文件
tokenizer.train(['./1.txt','./2.txt'],trainer = trainer)

# 保存训练好的tokenizer
tokenizer.save("./my_tokenizer.json")

四. 简单使用已有的Tokenizer切词器

• 相关代码：

# test_tokenizer.py

from tokenizers import Tokenizer

# 加载切词器
tokenizer = Tokenizer.from_file('./my_tokenizer.json')

# 切词
tokens = tokenizer.encode("我喜欢看流浪地球！")

# 打印
print(tokens.ids,tokens.tokens)
# tokens.tokens中以##开头的是词根，而不是词，不过问题不大。