NLP中的标识化

作者|ARAVIND PAI
编译|VK
来源|Analytics Vidhya

概述

  • 标识化是处理文本数据的一个关键

  • 我们将讨论标识化的各种细微差别,包括如何处理词汇表外单词(OOV)

介绍

从零开始掌握一门新的语言令人望而生畏。如果你曾经学过一种不是你母语的语言,你就会理解!有太多的层次需要考虑,例如语法需要考虑。这是一个相当大的挑战。

为了让我们的计算机理解任何文本,我们需要用机器能够理解的方式把这个词分解。这就是自然语言处理(NLP)中标识化的概念。

简单地说,标识化(Tokenization)对于处理文本数据十分重要。

下面是关于标识化的有趣的事情,它不仅仅是分解文本。标识化在处理文本数据中起着重要的作用。因此,在本文中,我们将探讨自然语言处理中的标识化,以及如何在Python中实现它。

目录

  1. 标识化

  2. 标识化背后的真正原因

  3. 我们应该使用哪种(单词、字符或子单词)?

  4. 在Python中实现Byte Pair编码

标识化

标识化(Tokenization)是自然语言处理(NLP)中的一项常见任务。这是传统NLP方法(如Count Vectorizer)和高级的基于深度学习的体系结构(如Transformers)的基本步骤。

单词是自然语言的组成部分。

标识化是一种将文本分割成称为标识的较小单元的方法。在这里,标识可以是单词、字符或子单词。因此,标识化可以大致分为三种类型:单词、字符和子单词(n-gram字符)标识化。

例如,想想这句话:“Never give up”。

最常见的词的形成方式是基于空间。假设空格作为分隔符,句子的标识化会产生3个词,Never-give-up。由于每个标识都是一个单词,因此它成为单词标识化的一个示例。

类似地,标识(token)可以是字符或子单词。例如,让我们考虑smarter”:

  1. 字符标识:s-m-a-r-t-e-r

  2. 子单词(subword)标识:smart-er

但这有必要吗?我们真的需要标识化来完成这一切吗?

标识化背后的真正原因

由于词语是自然语言的构建块,所以处理原始文本的最常见方式发生在单词级别。

例如,基于Transformer的模型(NLP中的最新(SOTA)深度学习架构)在单词级别处理原始文本。类似地,对于NLP最流行的深度学习架构,如RNN、GRU和LSTM,也在单词级别处理原始文本。

如图所示,RNN在特定的时间步接收和处理每个单词。

因此,标识化是文本数据建模的首要步骤。对语料库执行标识化以获取单词。然后使用以下单词准备词汇表。词汇是指语料库中出现过的单词。请记住,词汇表可以通过考虑语料库中每个唯一的单词或考虑前K个频繁出现的单词来构建。

创建词汇表是标识化的最终目标。

提高NLP模型性能的一个最简单的技巧是使用top K的单词创建一个词汇表。

现在,让我们了解一下词汇在传统的和高级的基于深度学习的NLP方法中的用法。

  • 传统的NLP方法如单词频率计数和TF-IDF使用词汇作为特征。词汇表中的每个单词都被视为一个独特的特征:

  • 在基于深度学习的高级NLP体系结构中,词汇表用于创建输入语句。最后,这些单词作为输入传递给模型

我们应该使用哪种(单词、字符或子单词)?

如前所述,标识化可以在单词、字符或子单词级别执行。这是一个常见的问题-在解决NLP任务时应该使用哪种标识化?让我们在这里讨论这个问题。

单词级标识化

词标识化是最常用的标识化算法。它根据特定的分隔符将一段文本(英文)拆分为单个单词。根据分隔符的不同,将形成不同的字级标识。预训练的单词嵌入,如Word2Vec和GloVe属于单词标识化。

这种只有少量缺点。

单词级标识化的缺点

单词标识的主要问题之一是处理词汇表外(OOV)单词。OOV词是指在测试中遇到的新词。这些生词在词汇表中不存在。因此,这些方法无法处理OOV单词。

但是,等等,不要妄下结论!

  • 一个小技巧可以将单词标识化器从OOV单词中解救出来。诀窍是用前K个频繁词组成词汇表,并用未知标识(UNK)替换训练数据中的稀有词。这有助于模型使用UNK学习OOV单词的表示

  • 因此,在测试期间,词汇表中不存在的任何单词都将映射到UNK标识。这就是我们如何解决标识化器中的OOV问题。

  • 这种方法的问题是,当我们将OOV映射到UNK单词时,单词的整个信息都会丢失。单词的结构可能有助于准确地表示单词。另一个问题是每个OOV单词都有相同的表示

单词标识的另一个问题与词汇表的大小有关。一般来说,预训练的模型是在大量的文本语料库上训练的。所以,想象一下在这么大的一个语料库中用所有单词构建词汇表。这会大大增加词汇量!

这打开了字符级标识化的大门。

字符级标识化

字符标识化将每个文本分割成一组字符。它克服了我们在上面看到的关于单词标识化的缺点。

  • 字符标识化器通过保存单词的信息来连贯地处理OOV单词。它将OOV单词分解成字符,并用这些字符表示单词

  • 它也限制了词汇量的大小。想猜猜词汇量吗?答案是26个。

字符标识化的缺点

字符标识解决了OOV问题,但是当我们将一个句子表示为一个字符序列时,输入和输出句子的长度会迅速增加。因此,学习单词之间的关系以形成有意义的词就变得很有挑战性。

这将我们带到另一个称为子单词标识化(Subword)的标识化,它介于字和字符标识化之间。

子单词标识化

子单词标识化将文本分割成子单词(或n个字符)。例如,lower这样的词可以被分割为low-er,smartest和smart-est,等等。

基于转换的模型(NLP中的SOTA)依赖于子单词标识化算法来准备词汇表。现在,我将讨论一种最流行的子单词标识化算法,称为Byte Pair Encoding 字节对编码(BPE)。

使用BPE

Byte Pair 编码,BPE是基于转换器的模型中广泛使用的一种标识化方法。BPE解决了单词和字符标识化器的问题:

  • BPE有效地解决了OOV问题。它将OOV分割为子单词,并用这些子单词表示单词

  • 与字符标识化相比,BPE后输入和输出语句的长度更短

BPE是一种标识化算法,它迭代合并最频繁出现的字符或字符序列。下面是一个逐步学习BPE的教程。

学习BPE的步骤

  1. 附加结尾符号

  2. 用语料库中的唯一字符初始化词汇

  3. 计算语料库中pair或字符序列的频率

  4. 合并语料库中最频繁的pair

  5. 把最好的pair保留到词汇表中

  6. 对一定数量的迭代重复步骤3到5

我们将通过一个例子来理解这些步骤。

考虑语料库

1a)在语料库中的每个单词后面附加单词的结尾符号(比如说):

1b)将语料库中的单词分为字符:

2.初始化词汇表:

迭代1:

3.计算频率:

4.合并最常见的pair:

5.保存最佳pair:

从现在开始对每个迭代重复步骤3-5。让我再演示一次迭代。

迭代2:

3.计算频率:

4.合并最常见的pair:

5.保存最佳pair:

经过10次迭代后,BPE合并操作如下所示:

很直截了当,对吧?

BPE在OOV词中的应用

但是,我们如何在测试时使用BPE来表示OOV单词呢?有什么想法吗?我们现在来回答这个问题。

在测试时,OOV单词被分割成字符序列。然后应用所学的操作将字符合并成更大的已知符号。

下面是表示OOV单词的表示过程:

  1. 追加后将OOV单词拆分为字符

  2. 计算一个单词中的pair或字符序列

  3. 选择学习过的存在的pair

  4. 合并最常见的pair

  5. 重复步骤2和3,直到可以合并

接下来让我们来看看这一切!

在Python中实现Byte Pair编码

我们现在知道BPE是如何学习和应用OOV词汇的。所以,是时候用Python实现了。

BPE的Python代码已经在原来的论文发布的代码中可用。

读取语料库

我们将考虑一个简单的语料库来说明BPE的思想。然而,同样的想法也适用于另一个语料库:

#导入库
import pandas as pd

#正在读取.txt文件
text = pd.read_csv("sample.txt",header=None)

#将数据帧转换为单个列表
corpus=[]
for row in text.values:
    tokens = row[0].split(" ")
    for token in tokens:
        corpus.append(token)

文本预处理

将单词分割为语料库中的字符,并在每个单词的末尾附加:

#初始化词汇
vocab = list(set(" ".join(corpus)))
vocab.remove(' ')

#把这个词分成字符
corpus = [" ".join(token) for token in corpus]

#追加
corpus=[token+' ' for token in corpus]

学习BPE

计算语料库中每个单词的频率:

import collections

#返回每个单词的频率
corpus = collections.Counter(corpus)

#将计数器对象转换为字典
corpus = dict(corpus)
print("Corpus:",corpus)

输出

让我们定义一个函数来计算pair或字符序列的频率。它接受语料库并返回频率:

#pair或字符序列的频率
#参数是语料并且返回每个pair的频率
def get_stats(corpus):
    pairs = collections.defaultdict(int)
    for word, freq in corpus.items():
        symbols = word.split()
        for i in range(len(symbols)-1):
            pairs[symbols[i],symbols[i+1]] += freq
    return pairs

现在,下一个任务是合并语料库中最频繁的pair。我们将定义一个函数来接受语料库、最佳pair,并返回修改后的语料库:

#合并语料库中最常见的pair
#接受语料库和最佳pair
import re
def merge_vocab(pair, corpus_in):
    corpus_out = {}
    bigram = re.escape(' '.join(pair))
    p = re.compile(r'(?

接下来,是学习BPE操作的时候了。由于BPE是一个迭代过程,我们将执行并理解一次迭代的步骤。让我们计算bi-gram的频率:

#bi-gram的频率
pairs = get_stats(corpus)
print(pairs)

输出

找到最常见的:

#计算最佳pair
best = max(pairs, key=pairs.get)
print("Most Frequent pair:",best)

输出:(‘e’, ‘s’)

最后,合并最佳pair并保存到词汇表中:

#语料库中频繁pair的合并
corpus = merge_vocab(best, corpus)
print("After Merging:", corpus)

#将元组转换为字符串
best = "".join(list(best))

#合并到merges和vocab
merges = []
merges.append(best)
vocab.append(best)

输出

我们将遵循类似的步骤:

num_merges = 10
for i in range(num_merges):
    
    #计算bi-gram的频率
    pairs = get_stats(corpus)
    
    #计算最佳pair
    best = max(pairs, key=pairs.get)
    
    #合并语料库中的频繁pair
    corpus = merge_vocab(best, corpus)
    
    #合并到merges和vocab
    merges.append(best)
    vocab.append(best)

#将元组转换为字符串
merges_in_string = ["".join(list(i)) for i in merges]
print("BPE Merge Operations:",merges_in_string)

输出

最有趣的部分还在后面呢!将BPE应用于OOV词汇。

BPE在OOV词汇中的应用

现在,我们将看到如何应用BPE在OOV单词上。例如OOV单词是“lowest”:

#BPE在OOV词汇中的应用
oov ='lowest'

#将OOV分割为字符
oov = " ".join(list(oov))

#添加  
oov = oov + ' '

#创建字典
oov = { oov : 1}

将BPE应用于OOV单词也是一个迭代过程。我们将执行本文前面讨论的步骤:

i=0
while(True):

    #计算频率
    pairs = get_stats(oov)

    #提取keys
    pairs = pairs.keys()
    
    #找出之前学习中可用的pair
    ind=[merges.index(i) for i in pairs if i in merges]

    if(len(ind)==0):
        print("\nBPE Completed...")
        break
    
    #选择最常学习的操作
    best = merges[min(ind)]
    
    #合并最佳pair
    oov = merge_vocab(best, oov)
    
    print("Iteration ",i+1, list(oov.keys())[0])
    i=i+1

输出

如你所见,OOV单词“low est”被分割为low-est。

结尾

标识化是处理文本数据的一种强大方法。我们在本文中看到了这一点,并使用Python实现了标识化。

继续在任何基于文本的数据集上尝试这个方法。练习得越多,就越能理解标识化是如何工作的(以及为什么它是一个如此关键的NLP概念)。

原文链接:https://www.analyticsvidhya.com/blog/2020/05/what-is-tokenization-nlp/

欢迎关注磐创AI博客站:
http://panchuang.net/

sklearn机器学习中文官方文档:
http://sklearn123.com/

欢迎关注磐创博客资源汇总站:
http://docs.panchuang.net/

你可能感兴趣的:(NLP中的标识化)