赵康康BPE、WordPiece、Unigram LM、SentencePiece
date
icon
password
Sub-item
Blocked by
Parent item
type
status
slug
summary
tags
category
Blocking
总览
分词方法 | 特点 | 被提出的时间 | 典型模型 |
BPE | 采用合并规则，可以适应未知词 | 2016年 | GPT-2、RoBERTa |
WordPiece | 采用逐步拆分的方法，可以适应未知词 | 2016年 | BERT |
Unigram LM | 采用无序语言模型，训练速度快 | 2018年 | XLM |
SentencePiece | 采用汉字、字符和子词三种分词方式，支持多语言 | 2018年 | T5、ALBERT |
具体介绍
Byte Pair Encoding (BPE)
理论
BPE是一种基于数据压缩算法的分词方法。它通过不断地合并出现频率最高的字符或者字符组合，来构建一个词表。具体来说，BPE的运算过程如下：
- 将所有单词按照字符分解为字母序列。例如：“hello”会被分解为["h","e","l","l","o"]。
- 统计每个字母序列出现的频率，将频率最高的序列合并为一个新序列。
- 重复第二步，直到达到预定的词表大小或者无法再合并。
举例如下：
假设我们有以下单词：
首先将每个单词按照字符切分：
统计每两个相邻字符序列出现的频率：
将出现频率最高的字符序列"es"进行合并，得到新的词表：
重复上述步骤，将出现频率最高的字符序列"e s"进行合并,直到达到预定的词表大小或者无法再合并。
代码
编码
从最长的token迭代到最短的token，尝试将每个单词中的子字符串替换为token。
理解
- 词表大小通常先增加后减小
每次合并后词表可能出现3种变化：
+1，表明加入合并后的新字词，同时原来的2个子词还保留（2个字词不是完全同时连续出现）+0，表明加入合并后的新字词，同时原来的2个子词中一个保留，一个被消解（一个字词完全随着另一个字词的出现而紧跟着出现）
-1，表明加入合并后的新字词，同时原来的2个子词都被消解（2个字词同时连续出现）
Word piece
理论
wordpiece算法可以看作是BPE的变种。不同的是，WordPiece基于概率生成新的subword而不是下一最高频字节对。WordPiece算法也是每次从词表中选出两个子词合并成新的子词。BPE选择频数最高的相邻子词合并，而WordPiece选择使得语言模型概率最大的相邻子词加入词表。
比如说 P(ed) 的概率比P(e) + P(d)单独出现的概率更大，可能比他们具有最大的互信息值，也就是两子词在语言模型上具有较强的关联性。
理解
那wordPiece和BPE的区别在哪儿
我的理解是，在训练阶段其实区别不大（大量数据面前），但是编码阶段区别巨大
SentencePiece
它是谷歌推出的子词开源工具包，其中集成了BPE、ULM子词算法。除此之外，SentencePiece还能支持字符和词级别的分词。更进一步，为了能够处理多语言问题，sentencePiece将句子视为Unicode编码序列，从而子词算法不用依赖于语言的表示。
理解
中文占3个字节，所以未经中文预训练的词表，解码效率很低，一个中文可能用到多个token，所以是不是重新映射一遍比较好，提升解码速度
回忆一下
作者：禽兽一只
链接：https://www.zhihu.com/question/20451870/answer/391349703
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
Unicode定义了所有符号的二进制形式，也就是符号如何在计算机内部存储的，而且每个符号规定都必须使用两个字节来表示，也就是用16位二进制去代表一个符号，这样就导致了一个问题，英文编码的空间浪费，因为在ANSI中的符号都是一个字节来表示的，而使用了UNICODE编码就白白浪费了一个字节。也就代表着Unicode需要使用两倍的空间去存储相应的ANSI编码下的符号。虽然现在硬盘或者内存都很廉价，但是在网络传输中，这个问题就凸显出来了，你可以这样想想，本来1M的带宽在ANSI下可以代表1024*1024个字符，但是在Unicode下却只能代表1024*1024/2个字符。也就是1MB/s的带宽只能等价于512KB/s，这个很可怕啊。
所以为了解决符号在网络中传输的浪费问题，就出现了UTF-8编码，Unicode transfer format -8 ，后面的8代表是以8位二进制为单位来传输符号的，但是这样又导致了一个问题，虽然UTF-8可以使用一个字节来表示ANSI下的符号，但是对于其它类似汉语的符号，得需要两个字节来表示，所以计算机不知道如何去截取一个符号，也就是一个符号对应的二进制的截取开始位置和截取结束位置。
所以为了解决Unicode下的ANSI符号的空间浪费和网络传输下如何截取字符的问题，UTF规定：如果一个符号只占一个字节，那么这个8位字节的第一位就为0。如果为两个字节，那么规定第一个字节的前两位都为1，然后第一个字节的第三位为0，第二个字节的前两位为10，然后如果是三个字节的话，那么第一个字节的前三位为111，第四位为0，剩余的两个字节的前两位都为10。
按照这样的算法去思考一个中文字符的UTF-8是怎么表示的：一个中文字符需要两个字节来表示，两个字节一共是16位，那么UTF-8下，两个字节是不够的，因为两个字节下，第一个字节已经占据了三位：110，然后剩余的一个字节占据了两位：10，现在就只剩下11位，与Unicode下的两个字节，16位去表示任意一个字符是相悖的。所以就使用三个字节去表示非ANSI字符：三个字节下，一共是24位，第一个字节头四位是：1110，后两个字节的前两位都是：10，那么24位-8位=16位，刚好两个字节去表示Unicode下的任意一个非ANSI字符。这也就是为什么UTF-8需要使用三个字节去表示一个非ANSI字符的原因了！
中国的汉字多达10多万，常用的汉字3500左右[08年统计]，如果用3个字节来表示，一共只有2^16(65535)种可能，不足以表示10多万的汉字。所以中日韩的超大字符集是采用的4个字节来表示的，多达6万多个。但是平时使用超大字符集的概率0.01%都不到。所以我们一般认为日常的中文在UTF-8中占三个字节 即可！