论文笔记--SentencePiece: A simple and language independent subword tokenizer and detokenizer for Neural

1. 文章简介

• 标题：SentencePiece: A simple and language independent subword tokenizer and detokenizer for Neural Text Processing
• 作者：Taku Kudo, John Richardson
• 日期：2018
• 期刊：arxiv preprint

2. 文章概括

  文章提出了一种子词分词方法，针对包括中文、日文、各种拉丁语等不同语言都可以进行通用的无监督学习。文章提出的分词方法SentencePiece

3 文章重点技术

3.1 SentencePiece的组成

  SentencePiece包含4个组成部分

• Normalizer：将原始输入文本视作Unicode Char，然后默认通过Unicode NFKC对输入进行正则，也可以通过设置参数选择其它正则方式或者不采用正则
• Trainer：从上述正则之后的文本学习子词分词的模型。不同于现存的其它子词分割工具，SentencePiece不要求输入的文本为分词之后的文本，而是原始文本即可，从而可降低输入的门槛且进行lossless学习。
• Encoder/Tokenizer：Encoder内部会调用上述正则和训练，然后将原始文本分割成子词序列
• Decoder/Detokenizer：Decoder将分割的子词序列转化为正则后的文本。
  

3.2 Lossless Tokenization

  已有的分词器针对以下场景往往需要手动添加规则：如将"Hello World.“分割成[Hello][World][.]之后，如果复原会在标点符号之前增加一个空格：“Hello World .”，这就造成了detokenization的不可逆性。针对中文、日文的句子，同一句话之间没有空格，detokenizer也很难对分割后的序列还原。为此文章将Decoder按照如下方式学习，使得Decoder为一个可逆的过程：$$Decoder(Encoder(Normalize(Text)))=Normalize(Text)$$，文章称此为Lossless Tokenization。Lossless Tokenization会将输入视为Unicode字符（包含空格），然后先将句子分割成随机的子词序列，其中由”_“代替空格，如果单个单词被拆分，则非首字母的单词要以@@开头标记，如"world"如被分割则需标记为"wor"和”@@ld"。detokenization阶段我们只需通过detok = ''.join(tokens.replace('_', ' ‘))还原至原始句子。
  文章还提出了一些API的其它功能，这里笔者就不一一细述。

4.代码

  文章的github里面附了一个超详细的官方介绍笔记本SentencePiece的python全部操作示例代码链接，感兴趣的读者可以去详细阅读。这里笔者附送一个中文/英文示例（很多网上找到的都跑不通，这里亲测有效）

 !wget https://raw.githubusercontent.com/google/sentencepiece/master/data/botchan.txt
 import sentencepiece as spm # 测过跑不通

由于上述链接失效，笔者自己在代码的文件夹下构建了一个同名的txt文件（测过其它名字会报错，应该是做了一些处理吧，由于源码是C++也没怎么看），然后在里面粘贴一些中文/英文文本即可。

import os
import sentencepiece as spm

# kwargs
spm.SentencePieceTrainer.train(
    sentence_reader=open(os.path.join(os.getcwd(), 'botchan.txt'), 'r'),
    model_prefix='my', vocab_size=900)

上述传参方法等价于下述指令字符执行代码

# 传入指令字符串
spm.SentencePieceTrainer.train(
     '--input=botchan.txt --model_prefix=m --vocab_size=900')

笔者随便测试了几百行中文文本，如此小的样本分词效果竟然真得很可以！

5.文章亮点

  文章提出了基于Lossless Tokenization的分词器SentencePiece，不同于其它现存的分词器，SentencePiece无需指定语言，一套系统通吃！而且操作简单，效果很好（我宣布SentencePiece即将成为笔者下一个project的工具！）。

6. 原文传送门

SentencePiece: A simple and language independent subword tokenizer and detokenizer for Neural Text Processing
SentencePiece的python全部操作示例代码链接