第一章 sentencepiece使用
第二章 jieba工具使用
分词是干啥的:
分词的目的就是找到构成句子的基本单位,然后模型学习这些基本单位组合的概率情况,完成语言模型的构建。
分词的工具主要就是两个任务:
使用分词算法(前向后向匹配,单个词划分,字母划分,语言模型划分)构建分词后的字典
根据字典的分词排序对完整句子做分词,实现句子到分词ID的双向转换
分词算法有
word-based: 使用空格,标点进行分割(英文就是空格,中文就是单个汉字)
character-based: 使用abcde这样的字符(大小写字母,标点256个)来分割
Subword-based:介于单个词和字母之间,使用算法寻找单元组合出现概率最大的作为一个分词结果(英文的基本单位组合就是字母,中文就是一个汉字)
- BPE分词
- BPE分词的改进
- WordPiece
- Byte-level BPE
- SentencePiece
- Unigram
BPE分词细说
BPE分词可以压缩单个词划分的词典大小,也能扩充仅仅由字母表的组成的词典
在BPE分词基础上改进的算法就是改进了寻找字母组合的方式
,由原始的数数统计改为由模型学习获得,代表性的就是unigram
sentencepiece地址
SentencePiece是一个无监督的文本标记器和去标记器,主要用于基于神经网络的文本生成系统,其中词汇量在神经模型训练之前就已经预先确定了。SentencePiece实现了子词单元(例如,字节对编码(BPE)[Sennrich et al.])和unigram语言模型[Kudo.]),具有从原始句子直接训练的扩展性。SentencePiece允许我们做一个纯粹的端到端系统,不依赖于特定语言的前/后处理。
数据格式的准确是模型能够正确运行的重要前提
sentencepiece的输入数据格式就是一行文本占一行,保存在txt文件里,每行文本的内容完整最好,长度不限,保证内容语义完整即可。参考内容如下:
- 中文例子
- 英文例子
训练模型就一段代码十分简单
import sentencepiece as spm
# train sentencepiece model from `botchan.txt` and makes `m.model` and `m.vocab`
# `m.vocab` is just a reference. not used in the segmentation.
spm.SentencePieceTrainer.train('--input=aishell1.txt --model_prefix=m --vocab_size=5000 --model_type=bpe')
完整教程地址,下载后解压,python文件里说明了所有的用法
# 可选参数
--control_symbols=<foo>,<bar>
# https://github.com/google/sentencepiece/blob/master/doc/special_symbols.md
--user_defined_symbols=<user1>,<user2>
--input=<input file>
--model_prefix=<model file>
--vocab_size=8000
# 分词类型
--model_type=char/word/bep/unigram
# 文本归一化
--normalization_rule_name=nfkc_cf
# makes segmenter instance and loads the model file (m.model)
sp = spm.SentencePieceProcessor()
sp.load('m.model')
# # encode: text => id
print(sp.encode_as_pieces('你好是一个汉语词语'))
print(sp.encode_as_ids('你好是一个汉语词语'))
#
# # decode: id => text
print(sp.decode_pieces(['▁你', '好', '是', '一', '个', '汉', '语', '词', '语']))
print(sp.decode_ids([547, 2280, 2172, 2170, 2200, 2527, 3198, 3643, 3198]))
# 支持统计字词的偏移量
# One best result
spt = sentencepiece_pb2.SentencePieceText()
spt.ParseFromString(sp.encode_as_serialized_proto('hello')) # Full width hello
# begin/end (offsets) are pointing to the original input.
print(spt)
# Nbest results
nspt = sentencepiece_pb2.NBestSentencePieceText()
nspt.ParseFromString(sp.nbest_encode_as_serialized_proto('hello', 5))
# print(nspt)
公众号同步更新欢迎关注