Tokenizer（切词器）的不同实现算法

博主会经常分享自己在人工智能阶段的学习笔记，欢迎大家访问我滴个人博客！（都不白来！）

前言

Tokenizer（分词器） 的作用是将一段文本分割成一个个有意义的单元，每个单元在词向量表中对应一个的索引，根据这个索引我们能得到词向量，例如jieba 就是非常流行的中文分词器Transformers的AutoTokenizer可以用于英文的分词，各个模型使用的分词逻辑也有不同，对于输入的一串文本，Tokenizer会如何处理，下面介绍了一系列算法

一、Tokenizer的三种颗粒度实现

Word-based 分词 ：直接从词汇表中查找文本中的单词进行分词。
- 示例 1 ：词汇表 ["hello", "how", "are", "you"]，句子 "how are you" → 分词结果：["how", "are", "you"]。
- 示例 2 ：句子 "how are you today" → 分词结果：["how", "are", "you", "<unk>"]（"today"为未知单词）。
Character-based 分词 ：将文本分割成单个字符，不依赖词汇表。
- 示例：句子 "how are you ?" → 分词结果：["h", "o", "w", " ", "a", "r", "e", " ", "y", "o", "u", "?"]。
Subword-based 分词 ：将单词分解为子词单元。
- 示例：句子 "playing games is fun" → 分词结果：["play", "##ing", "games", "is", "fun"]（"playing"被分解为"play"和"##ing"）。##表示一个词的结尾

上述三种方式分出的字词进入到字典{Word:index}中被转换为索引，最终在词向量表中映射成为词向量

二、Subword的不同算法

下面我们讨论如何将一个句子分成一串字词

2.1 BPE（Byte-Pair Encoding，字节对编码）

直接用一个句子来演示BPE是怎么进行分词的："the cat sat on the mat"

①：初始化词汇表：['t', 'h', 'e', ' ', 'c', 'a', 't', 's', 'o', 'n', 'm']，包括空格

②：统计相邻字符对频率：'th': 2, 'he': 2, 'e ': 2, ' c': 1, 'ca': 1, 'at': 3, ' s': 1, 'sa': 1, ' o': 1, 'on': 1, 'n ': 1, ' m': 1, 'ma': 1

③：词汇表中合并频率最高的字符对：这里最高的是3次的"at"， $'t', 'h', 'e', ' ', 'c', **'at'** , 's', 'o', 'n', 'm'$

④：更新相邻字符对频率'th': 2, 'he': 2, 'e ': 2, ' c': 1, 'cat': 1, ' s': 1, 'sat': 1, ' o': 1, 'on': 1, 'n ': 1, ' m': 1, 'mat': 1

⑤：选中频率最高的"th"，重复③

当所有字符对的频率都为 1 时，停止合并操作 ，最终分词结果"the" "cat" "sat" "on" "the" "mat"

缺陷：这一过程中，词汇表需要涵盖句子中的所有字符，可能会相当大

2.2 BBPE（Byte-Level Byte-Pair Encoding，BPE的字节级扩展版本）

原理和BPE一致，只是使用字节（byte）作为初始token，适用于任何文本。

还是以"the cat sat on the mat"为例，将其中的每个字母和符号转换为字节，

复制代码

[116, 104, 101, 32, 99, 97, 116, 32, 115, 97, 116, 32, 111, 110, 32, 116, 104, 101, 32, 109, 97, 116]

（这里，每个数字代表一个字节，例如 116 是 t 的 ASCII 码），当第③步进行合并后，将合并成的字符串赋予新的ASCII 码，例如"at"------>97_116------>256，

然后按照和BPE一样的处理逻辑进行分词，不会出现OOV问题

2.3 WordPiece （★）

WordPiece 是一种基于统计的子词分词算法，它通过训练数据动态学习词汇表，将罕见词分解为更小的已知子词单元 ，同时保留常见词作为完整单元。

在经过和BPE中②一样的步骤得到相邻字符对频率后'th': 2, 'he': 2, 'e ': 2, ' c': 1, 'ca': 1, 'at': 2, ' s': 1, 'sa': 1, 'at': 2, ' o': 1, 'on': 1, 'n ': 1, ' m': 1, 'ma': 1

根据WordPiece 得分公式来计算pair得分

例如出现3次的"at"的token1为"a"，出现了3次，token2为"t"，出现了5次，最终pair得分为0.2

最终计算出全部pair得分，合并对应字符

三、token过程------贪婪最长匹配优先算法

上述已经讲解了几种分词的流程，那么对于一个复杂的单词running，是如何对他进行拆解的呢

首先给定词汇表如下

["un", "##able", "##ing", "##e", "##d", "re", "##run", "##runing", "run"]

分词 unrunning 的过程：

匹配最长前缀 un，剩余 running 。
匹配最长前缀 run，剩余 ning。
无法匹配 ning，回退到字符级：
- 匹配 n + ing

最终分词结果：

复制代码

["un", "run", "##n", "##ing"]