分词工具使用系列——sentencepiece使用

分词工具使用系列

第一章 sentencepiece使用
第二章 jieba工具使用

---

---

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')

1
2
3
4
5
6
7

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
1
2
3
4
5
6
7
8
9
10
11

🥌使用模型

# 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)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

---

公众号同步更新欢迎关注