NLP中的标识化

作者|ARAVIND PAI
编译|VK
来源|Analytics Vidhya

概述

• 标识化是处理文本数据的一个关键

• 我们将讨论标识化的各种细微差别，包括如何处理词汇表外单词（OOV）

介绍

从零开始掌握一门新的语言令人望而生畏。如果你曾经学过一种不是你母语的语言，你就会理解！有太多的层次需要考虑，例如语法需要考虑。这是一个相当大的挑战。

为了让我们的计算机理解任何文本，我们需要用机器能够理解的方式把这个词分解。这就是自然语言处理（NLP）中标识化的概念。

简单地说，标识化(Tokenization)对于处理文本数据十分重要。

下面是关于标识化的有趣的事情，它不仅仅是分解文本。标识化在处理文本数据中起着重要的作用。因此，在本文中，我们将探讨自然语言处理中的标识化，以及如何在Python中实现它。

目录

1. 标识化

2. 标识化背后的真正原因

3. 我们应该使用哪种（单词、字符或子单词）？

4. 在Python中实现Byte Pair编码

标识化

标识化(Tokenization)是自然语言处理（NLP）中的一项常见任务。这是传统NLP方法（如Count Vectorizer）和高级的基于深度学习的体系结构（如Transformers）的基本步骤。

单词是自然语言的组成部分。

标识化是一种将文本分割成称为标识的较小单元的方法。在这里，标识可以是单词、字符或子单词。因此，标识化可以大致分为三种类型：单词、字符和子单词（n-gram字符）标识化。

例如，想想这句话：“Never give up”。

最常见的词的形成方式是基于空间。假设空格作为分隔符，句子的标识化会产生3个词，Never-give-up。由于每个标识都是一个单词，因此它成为单词标识化的一个示例。

类似地，标识(token)可以是字符或子单词。例如，让我们考虑smarter”：

1. 字符标识：s-m-a-r-t-e-r

2. 子单词(subword)标识：smart-er

但这有必要吗？我们真的需要标识化来完成这一切吗？

标识化背后的真正原因

由于词语是自然语言的构建块，所以处理原始文本的最常见方式发生在单词级别。

例如，基于Transformer的模型（NLP中的最新（SOTA）深度学习架构）在单词级别处理原始文本。类似地，对于NLP最流行的深度学习架构，如RNN、GRU和LSTM，也在单词级别处理原始文本。

如图所示，RNN在特定的时间步接收和处理每个单词。

因此，标识化是文本数据建模的首要步骤。对语料库执行标识化以获取单词。然后使用以下单词准备词汇表。词汇是指语料库中出现过的单词。请记住，词汇表可以通过考虑语料库中每个唯一的单词或考虑前K个频繁出现的单词来构建。

创建词汇表是标识化的最终目标。

提高NLP模型性能的一个最简单的技巧是使用top K的单词创建一个词汇表。

现在，让我们了解一下词汇在传统的和高级的基于深度学习的NLP方法中的用法。

• 传统的NLP方法如单词频率计数和TF-IDF使用词汇作为特征。词汇表中的每个单词都被视为一个独特的特征：

  

• 在基于深度学习的高级NLP体系结构中，词汇表用于创建输入语句。最后，这些单词作为输入传递给模型

我们应该使用哪种（单词、字符或子单词）？

如前所述，标识化可以在单词、字符或子单词级别执行。这是一个常见的问题-在解决NLP任务时应该使用哪种标识化？让我们在这里讨论这个问题。

单词级标识化

词标识化是最常用的标识化算法。它根据特定的分隔符将一段文本(英文)拆分为单个单词。根据分隔符的不同，将形成不同的字级标识。预训练的单词嵌入，如Word2Vec和GloVe属于单词标识化。

这种只有少量缺点。

单词级标识化的缺点

单词标识的主要问题之一是处理词汇表外（OOV）单词。OOV词是指在测试中遇到的新词。这些生词在词汇表中不存在。因此，这些方法无法处理OOV单词。

但是，等等，不要妄下结论！

• 一个小技巧可以将单词标识化器从OOV单词中解救出来。诀窍是用前K个频繁词组成词汇表，并用未知标识（UNK）替换训练数据中的稀有词。这有助于模型使用UNK学习OOV单词的表示

• 因此，在测试期间，词汇表中不存在的任何单词都将映射到UNK标识。这就是我们如何解决标识化器中的OOV问题。

• 这种方法的问题是，当我们将OOV映射到UNK单词时，单词的整个信息都会丢失。单词的结构可能有助于准确地表示单词。另一个问题是每个OOV单词都有相同的表示

单词标识的另一个问题与词汇表的大小有关。一般来说，预训练的模型是在大量的文本语料库上训练的。所以，想象一下在这么大的一个语料库中用所有单词构建词汇表。这会大大增加词汇量！

这打开了字符级标识化的大门。

字符级标识化

字符标识化将每个文本分割成一组字符。它克服了我们在上面看到的关于单词标识化的缺点。

• 字符标识化器通过保存单词的信息来连贯地处理OOV单词。它将OOV单词分解成字符，并用这些字符表示单词

• 它也限制了词汇量的大小。想猜猜词汇量吗？答案是26个。

字符标识化的缺点

字符标识解决了OOV问题，但是当我们将一个句子表示为一个字符序列时，输入和输出句子的长度会迅速增加。因此，学习单词之间的关系以形成有意义的词就变得很有挑战性。

这将我们带到另一个称为子单词标识化(Subword)的标识化，它介于字和字符标识化之间。

子单词标识化

子单词标识化将文本分割成子单词（或n个字符）。例如，lower这样的词可以被分割为low-er，smartest和smart-est，等等。

基于转换的模型（NLP中的SOTA）依赖于子单词标识化算法来准备词汇表。现在，我将讨论一种最流行的子单词标识化算法，称为Byte Pair Encoding 字节对编码（BPE）。

使用BPE

Byte Pair 编码，BPE是基于转换器的模型中广泛使用的一种标识化方法。BPE解决了单词和字符标识化器的问题：

• BPE有效地解决了OOV问题。它将OOV分割为子单词，并用这些子单词表示单词

• 与字符标识化相比，BPE后输入和输出语句的长度更短

BPE是一种标识化算法，它迭代合并最频繁出现的字符或字符序列。下面是一个逐步学习BPE的教程。

学习BPE的步骤

1. 附加结尾符号

2. 用语料库中的唯一字符初始化词汇

3. 计算语料库中pair或字符序列的频率

4. 合并语料库中最频繁的pair

5. 把最好的pair保留到词汇表中

6. 对一定数量的迭代重复步骤3到5

我们将通过一个例子来理解这些步骤。

考虑语料库

1a）在语料库中的每个单词后面附加单词的结尾符号（比如说）：

1b）将语料库中的单词分为字符：

2.初始化词汇表：

迭代1：

3.计算频率：

4.合并最常见的pair：

5.保存最佳pair：

从现在开始对每个迭代重复步骤3-5。让我再演示一次迭代。

迭代2：

3.计算频率：

4.合并最常见的pair：

5.保存最佳pair：

经过10次迭代后，BPE合并操作如下所示：

很直截了当，对吧？

BPE在OOV词中的应用

但是，我们如何在测试时使用BPE来表示OOV单词呢？有什么想法吗？我们现在来回答这个问题。

在测试时，OOV单词被分割成字符序列。然后应用所学的操作将字符合并成更大的已知符号。

下面是表示OOV单词的表示过程：

1. 追加后将OOV单词拆分为字符

2. 计算一个单词中的pair或字符序列

3. 选择学习过的存在的pair

4. 合并最常见的pair

5. 重复步骤2和3，直到可以合并

接下来让我们来看看这一切！

在Python中实现Byte Pair编码

我们现在知道BPE是如何学习和应用OOV词汇的。所以，是时候用Python实现了。

BPE的Python代码已经在原来的论文发布的代码中可用。

读取语料库

我们将考虑一个简单的语料库来说明BPE的思想。然而，同样的想法也适用于另一个语料库：

#导入库
import pandas as pd

#正在读取.txt文件
text = pd.read_csv("sample.txt",header=None)

#将数据帧转换为单个列表
corpus=[]
for row in text.values:
    tokens = row[0].split(" ")
    for token in tokens:
        corpus.append(token)

文本预处理

将单词分割为语料库中的字符，并在每个单词的末尾附加：

#初始化词汇
vocab = list(set(" ".join(corpus)))
vocab.remove(' ')

#把这个词分成字符
corpus = [" ".join(token) for token in corpus]

#追加</w>
corpus=[token+' </w>' for token in corpus]

学习BPE

计算语料库中每个单词的频率：

import collections

#返回每个单词的频率
corpus = collections.Counter(corpus)

#将计数器对象转换为字典
corpus = dict(corpus)
print("Corpus:",corpus)

输出：

让我们定义一个函数来计算pair或字符序列的频率。它接受语料库并返回频率：

#pair或字符序列的频率
#参数是语料并且返回每个pair的频率
def get_stats(corpus):
    pairs = collections.defaultdict(int)
    for word, freq in corpus.items():
        symbols = word.split()
        for i in range(len(symbols)-1):
            pairs[symbols[i],symbols[i+1]] += freq
    return pairs

现在，下一个任务是合并语料库中最频繁的pair。我们将定义一个函数来接受语料库、最佳pair，并返回修改后的语料库：

#合并语料库中最常见的pair
#接受语料库和最佳pair
import re
def merge_vocab(pair, corpus_in):
    corpus_out = {}
    bigram = re.escape(' '.join(pair))
    p = re.compile(r'(?<!\S)' + bigram + r'(?!\S)')

    for word in corpus_in:
        w_out = p.sub(''.join(pair), word)
        corpus_out[w_out] = corpus_in[word]

    return corpus_out

接下来，是学习BPE操作的时候了。由于BPE是一个迭代过程，我们将执行并理解一次迭代的步骤。让我们计算bi-gram的频率：

#bi-gram的频率
pairs = get_stats(corpus)
print(pairs)

输出：

找到最常见的：

#计算最佳pair
best = max(pairs, key=pairs.get)
print("Most Frequent pair:",best)

输出：(‘e’, ‘s’)

最后，合并最佳pair并保存到词汇表中：

#语料库中频繁pair的合并
corpus = merge_vocab(best, corpus)
print("After Merging:", corpus)

#将元组转换为字符串
best = "".join(list(best))

#合并到merges和vocab
merges = []
merges.append(best)
vocab.append(best)

输出：

我们将遵循类似的步骤：

num_merges = 10
for i in range(num_merges):

    #计算bi-gram的频率
    pairs = get_stats(corpus)

    #计算最佳pair
    best = max(pairs, key=pairs.get)

    #合并语料库中的频繁pair
    corpus = merge_vocab(best, corpus)

    #合并到merges和vocab
    merges.append(best)
    vocab.append(best)

#将元组转换为字符串
merges_in_string = ["".join(list(i)) for i in merges]
print("BPE Merge Operations:",merges_in_string)

输出：

最有趣的部分还在后面呢！将BPE应用于OOV词汇。

BPE在OOV词汇中的应用

现在，我们将看到如何应用BPE在OOV单词上。例如OOV单词是“lowest”：

#BPE在OOV词汇中的应用
oov ='lowest'

#将OOV分割为字符
oov = " ".join(list(oov))

#添加 </w> 
oov = oov + ' </w>'

#创建字典
oov = { oov : 1}

将BPE应用于OOV单词也是一个迭代过程。我们将执行本文前面讨论的步骤：

i=0
while(True):

    #计算频率
    pairs = get_stats(oov)

    #提取keys
    pairs = pairs.keys()

    #找出之前学习中可用的pair
    ind=[merges.index(i) for i in pairs if i in merges]

    if(len(ind)==0):
        print("\nBPE Completed...")
        break

    #选择最常学习的操作
    best = merges[min(ind)]

    #合并最佳pair
    oov = merge_vocab(best, oov)

    print("Iteration ",i+1, list(oov.keys())[0])
    i=i+1

输出：

如你所见，OOV单词“low est”被分割为low-est。

结尾

标识化是处理文本数据的一种强大方法。我们在本文中看到了这一点，并使用Python实现了标识化。

继续在任何基于文本的数据集上尝试这个方法。练习得越多，就越能理解标识化是如何工作的（以及为什么它是一个如此关键的NLP概念）。

原文链接：https://www.analyticsvidhya.com/blog/2020/05/what-is-tokenization-nlp/