分词工具使用系列

第一章 sentencepiece使用
第二章 jieba工具使用

文章目录

  • 分词工具使用系列
  • 前言——细说分词
  • 一、sentencepiece是什么？
  • 二、sentencepiece使用步骤
    • 准备文本
    • 训练模型
    • 使用模型

前言——细说分词

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

一、sentencepiece是什么？

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。

二、sentencepiece使用步骤

准备文本

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

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

使用模型

# makes segmenter instance and loads the model file (m.model)sp = spm.SentencePieceProcessor()sp.load('m.model')# # encode: text => idprint(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 => textprint(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 resultspt = 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 resultsnspt = 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