【Transformer系列】深入浅出理解Tokenization分词技术

一、参考资料

NLP技术中的Tokenization是什么？核心任务是什么？

二、Tokenization相关介绍

1. Tokenization的概念

NLP技术中Tokenization被称作是“word segmentation”，直译为分词。具体来说，分词是NLP的基础任务，按照特定需求能把文本中的句子、段落切分成一个字符串序列（其中的元素通常称为token或叫词语），方便后续的处理分析工作。

分词的大致流程：首先将文本句子切成一个个子单元，然后将子单元数值化（映射为向量），接着将这些向量输入到模型进行编码，最后输出到下游的任务中，进一步得到最终的结果。

分词的目的是将复杂问题转化为数字问题，即将文本的非结构化数据转化为结构化数据，这样就可以将数据转化为数学问题。其中，分词就是整个转化过程中的第一步。这是因为机器学习中绝大多数模型是不支持字符串的，想要模型能够进行有效学习，必须对字符串数据进行数值化。另外，并不是直接对输入句子或者单词进行数值化，我们需要先将其切分成一个个有限的子单元，然后对这些子单元数值化。

简单来说，将原始文本切分成子单元的过程，称之为Tokenization。

2. Tokenization的难点

分词的难点在于将原文本切分成子单元的过程中，如何获得一种理想的切分效果，使文本中所有的token都具有正确的语义，并且不会存在遗漏的问题。

从上述Tokenization（分词）的任务内容可知，其是为数值化作准备，数值化的过程必然需要映射，而映射又需要一个目标集合或映射表。如果切分的子单元种类非常多设置无限多，就需要一个非常庞大的映射表，这会导致巨大的内存消耗以及过多的计算量，这显然是不理想的。

3. 基于词表和规则的分词方法

在分词方法中，有一类是在一个词表中根据各种算法进行词表匹配来进行分词。基于词表和规则的分词方法可以分为三种，即：

1. 前（后）向最大匹配法；
2. 最短路径分词法；
3. 基于N-Gram LM 的统计词频率分词法。

假设给定一个词典V，如何对一个句子S进行分词，基于这一假设，展开介绍三种不同的分词方法。

3.1 前（后）向最大匹配法

前（后）向最大匹配法很简单，只需要知道向前匹配，那么后向匹配自然也就理解了。举例描述一个前向最大匹配法的流程，预设条件：

1. 设定最大匹配长度为2（当然可以是3，4，5或者更长）；
2. 从左往右扫描句子（也可以从右往左）。
   

对应给定的假设词典V，可以看到最终的输出结果为：

这种规则虽然简单，但还是无法解决歧义的问题。

3.2 最短路径分词法

最短路径分词法是指，首先将句子中所有字都切分开来，根据词表将组成词的字连接起来，构成“词图”，然后求解“词图”的最短路径就是分词结果。

本文中的例子构造出的“词图”，如上图所示。路径上的数字“1”代表权重，这里我们全部取为1，代表每种分词的重要性，然后利用N-最短路径或者Dijkstra算法便可以求解出最短路径，该最短路径上的词汇就是我们最终需要的结果。

上述结果中，最终的分词结果为：

3.3 基于N-Gram LM 的统计词频率分词法

实际上，最短路径分词法将简化边的权重都为1，但现实中并非如此，常见的词出现频率高，我们可以用求解“词图”最短路径的方法转为求解概率最大路径。

利用2-Gram语言模型，可以计算出词语的共现概率，结合词典V，可以得到下面的“词图”：

参数解释

• **P(他|) **：表示“他”作为句子开头对于训练好的语言模型来说其概率是多少。
• P(说|他) ：表示“说”字在“他”字后面出现的概率是多少。

由于该方法考虑了不同词语之间先后出现的概率，所以这是一种更合理的方法。

4. Tokenization切分方法

按照切分的粒度，可以将Tokenization分为三类，一是按词粒度来分，二是按字符粒度来分，三是按子词粒度（subword）来分。

4.1 基于词粒度

词粒度是一种自然而然的方法，因为人类对自然语言文本的理解就是按照这种方式进行切分的。通常用一些工具来完成，例如英文的NLTK、SpaCy，中文的jieba、HanLP等。

举例描述词粒度进行Tokenization的过程：

明显可以看出，按词粒度切分方式是和人类阅读时自然划分一致的。这种方法的优点在于能够很好地保留词的语义和边界信息。

但需要注意的是，对于英文或拉丁语系的词粒度Tokenization很简单，可以直接按照英文中自然的空格作为分隔符进行切分，但中日韩类的文字没有自然空格，所以切分很容易导致出现歧义。针对这类语言的文字，可以使用一些分词方法。

词粒度的优缺点

优点——

词粒度的切分非常切合人类的阅读习惯，一方面能够很好地保留词的边界信息，另一方面也能很好地保留词的语义信息。这对于后续的模型来讲十分有利，例如NER任务中，通常标签偏移是由于词边界没有约束好导致的，所以词语的边界信息对于某些下游任务来讲是很重要的。在MRC任务中，词语含义能否被模型捕获也显得很重要，一旦最初的输入模型丢失了某些关键的含义信息，最终结果可能会受到一定的影响。

缺点——

词粒度的方法，需要构造的词典太过庞大，严重影响计算效率和消耗内存；即使使用较大的词典不影响效率，也会造成OOV问题，因为人类语言是不断发展的，词汇会不断的增加，总会加大词典量；词表中的低频词/稀疏词在模型训练过程中无法得到充分训练，进而模型不能充分理解这些词的含义；一个单词因为不同的形态会产生不同的词，如由“look”衍生出的"looks"，“looking”，但意义相近，对于它们都进行训练是不必要的。

4.2 基于字符粒度

字符粒度是按某一种语言最小符号来进行切分的。简单说就是英文（拉丁语系）以字母为单位，中文日文韩文等则是以字为单位进行切分。

字符粒度是一种极简的方法，基本不需要什么技巧，但其存在较多的弊端。

字符粒度的优缺点

优点——

基于字符粒度的切分方法的优点在于词表会大大减小，26个字母基本就能够覆盖所有词，5000多个中文基本也能组合覆盖大部分的词汇。

缺点——

基于字符粒度的切分方法有严重的缺陷，主要在于会严重丢失词汇的语义信息和边界信息，对NER等词汇边界的任务来说会有一定的影响。如果把单词切分的过细，会使得输入太长而增加输入计算的压力，减小词表的代价就是输入长度大大增加，从而输入计算变得更耗时，训练时更占内存空间，在现实应用中较少使用。

4.3 基于子词粒度（subword）

基于子词粒度切分是一种这种的方法，但只适用于英文等拉丁语系的语言，对于中文来讲，由于不能将某一个字拆分为偏旁部首和字根，没有意义。subwords的Tokenization切分过程具体如下图所示：

通常构造出subword词典主要有4种方法：

4.3.1 BPE

BPE全称 Byte Pair Encoding，字节对编码，是一种数据压缩方法，BPE 迭代地合并最频繁出现的字符或字符序列，具体步骤如下：

由此可以看到，每次尝试合并相邻的两个字符，如果合并后出现概率是目前最大的，则会将合并后的字符串加入到词汇表中。

4.3.2 WordPiece

**WordPiece主要应用于解决日语和韩语语音问题。**它与 BPE 相同点：每次从统计语料中选取出两个新的子词进行合并。它与 BPE 最大区别在于选择两个子词进行合并的原则：BPE 按频率，WordPiece 按能够使得 LM 概率最大的相邻子词加入词表。

WordPiece 的算法步骤如下：

4.3.3 UniLM

Unigram方法与 WordPiece 相同点是：同样使用语言模型来挑选子词。

与 WordPiece 最大区别：WordPiece 算法的词表大小都是从小到大变化；UniLM 的词库则是从大到小变化，即先初始化一个大词表，根据评估准则不断丢弃词表，直到满足限定条件。ULM 算法考虑了句子的不同分词可能，因而能够输出带概率的多个子词分段。

UniLM 构造词典的算法步骤如下：

可以看出，UniLM会保留那些以较高频率出现在很多句子的分词结果中的子词，因为这些子词如果被丢弃，其损失会很大。

4.3.4 SentencePiece

以上三种方法都存在着两个问题：

1. 无法逆转；
2. 训练的时候需要提前切分。

【无法逆转】是指对句子 s 进行切分后得到的结果无法准确复原回 s。更直白地说就是空格不能被保留，如下：

而 SentencePiece的解决方法是：

1. 首先将所有输入转换为unicode字符，这意味着它不必担心不同的语言、字符或符号，可以以相同方式处理所有输入；
2. 空白也被当做普通符号来处理，Sentencepiece显式地将空白作为基本标记来处理，用一个元符号 “▁”（ U+2581 ）转义空白，这样就可以实现简单的decoding；
3. Sentencepiece 可以直接从 raw text 进行训练；
4. 支持 BPE 和 UniLM 训练方法。