CMU Subword Modeling | 03 Productivity and Generalization

Productivity & Generalization(生产力与泛化)这一讲的核心思想是:语言中的形态学规则 / 子词组合规则怎样推广到新词? 也就是说,我们不只是看 一个词怎么表示,我们关心 一个模式能不能"生"出新词。(dmort27.github.io)

1. Formalizing Tokenization(形式化 Tokenization)

老师一开始先把 Tokenization(分词 / 子词分割)抽象成数学上的函数,给了一个统一的视角来看语言建模和形态组合。

我们把字符或音素序列(graphemes/phonemes)看成属于集合 (Σ^*),把 Tokens(id 或 morpheme ID)看成属于集合 (Δ^*)

  • Tokenization:一个函数 (τ : Σ^* → Δ^*)
  • Detokenization(spell-out):反过来把 token 序列还原成字符/音素序列的函数 (κ : Δ^* → Σ^*)

在像 BPE(Byte-Pair Encoding) 这样的 Tokenizer 里,(κ(τ(σ)) = σ)(lossless)。但在真实的 morpheme segmentation(词素分割)里,不一定是 lossless。

2. 应用举例:为什么我们讨论 Productivity?

老师通过经典的 Wug Test(Wug 实验) 来说明。

Jean Berko Gleason 的实验 :孩子们看到一个从未见过的词 wug ,老师问"这个词的复数是什么?"大多数孩子回答 "wugs",自动加上 -s 来复数化。

这说明:孩子不是简单记忆单词表。他们学到了 规则 ,并且可以 推广到新词(non-ce words) 。(dmort27.github.io)

👉 这就是 Productivity(形态生产力) 的核心含义:一个 morphological construction(形态构造方式)是不是能应用到新词上,并生成新形式?(dmort27.github.io)

3. Productivity(生产力)意味着什么?

讲义给了一个很直观的定义:Productivity = 规则能够被有效地泛化到新输入,并产生新输出的程度。 (dmort27.github.io) 换句话说:

  • 如果一个形态规则很容易应用到之前没见过的词 → 它就是 high productivity(高生产力)
  • 如果一个规则只针对固定几组词 → 它就是 low productivity(低生产力)
  • 有的规则介于两者之间,只在特定条件下有效 → 叫 restricted productivity(受限生产力)

图像比喻 :把 Productivity 想象成一条连续的谱线------从 fossilized("化石化"的老词规则)到 default("默认的,高泛化规则")。(dmort27.github.io)

4. Productivity & Morphological Rules

一个 morphological construction / affix 会是 productive,当且仅当: 它出现在许多、并且相对 low-frequency(低频)的词类型上。换句话说,它不是靠记忆已有词,而是学到了一般化的模式。(dmort27.github.io) 例如:

  • English plural --s:很广泛出现 → 高生产力
  • Plural --en (如 oxen , children):只在特定词出现 → 低生产力
  • Latin/借词前缀 ~ity/-ness:有特定词义类别限制 → 受限生产力

5. Why is Productivity Useful for NLP & Subwords?

那么这和我们做 Tokenization / 子词建模有什么关系?

语言模型(如 BERT / GPT)要处理 开域词(open vocabulary) :词汇会不断创造新的组合(新词、新派生形式、新拼写)。(dmort27.github.io)

要做到这一点,模型不仅要把已有词看成一个独立 symbol,还要 理解规则本身,才能:

✅ 推断新派生词

✅ 处理以前未遇见过的组合

✅ 让表示(representation)更具泛化性

这正是 Subword Tokenization 的一大优势:

  • 它让模型学到的是规则级别的结构而不是单个词的例外记忆
  • 因此不仅有意义(meaningful),还更容易泛化(generalize)

6. 小结

语言现象 核心概念
Productivity(生产力) 一个语言构造能否应用到新词上
High vs Low Productivity 规则是不是可以泛化
Generalization 模式可以推广到未见过的例子
Relation to Subword Modeling 模型不只记词,而是学结构规则

这一讲想传达的核心思想是:真正强大的语言系统不是记住很多词,而是理解构造规则,并能把它们用到新的场景中。 (dmort27.github.io)

相关推荐
7177771 小时前
国内 AI 研发效能工具怎么选:2026 年基于公开信息的选型框架与 Gitee 实践
人工智能·gitee
Csvn1 小时前
换供应商要改一遍代码?把模型接入收进一层网关(C04)
人工智能·aigc·agent
孟健2 小时前
开源AutoClip切直播:1小时48分出19段,整月API只花0.08元
人工智能·开源·aigc
翰墨之道2 小时前
AI日报:豆包工作ARR超20亿,GPT-6.2跑分与实测割裂
人工智能·gpt·数据挖掘
Maynor9962 小时前
Trymodel 使用介绍:一个平台同时用 Claude、GPT、Gemini 和 Grok
人工智能·gpt·ai·程序员·教程·claude·语音
字节跳动视频云技术团队3 小时前
接大模型别再自己配 Key、搭代理了,火山引擎 IGA Pages 一步搞定
人工智能
阿里云大数据AI技术3 小时前
EMR Serverless StarRocks 产品介绍:从统一 OLAP 走向多模态分析与检索
人工智能
Forget the Dream4 小时前
Spring AI 2.0 系列(二):第一个 ChatClient——从注入到一次完整调用
java·人工智能·spring boot·ai·springai
郝学胜-神的一滴5 小时前
Effective Python 条款35:用类封装替代生成器异常注入
开发语言·人工智能·python·金融·pandas·scikit-learn·matplotlib
塑料铲子5 小时前
你的 Skill 越多越蠢?Token 上下文爆炸的求生指南
机器学习·agent