背景

tokenization是包括大语言模型在内所有自然语言处理的任务的基础步骤，其目标是将文本数据转化为数值。完成这一步骤的组件称之为tokenizer。该过程可以用以下图表示：

基于词（Word-based）

基于词的方法仅通过一些简单的规则来完成这一步骤。比如，在英文中可以使用空格作为分隔符：

tokenized_text = "This is a test".split()
print(tokenized_text)

输出：

['This', 'is', 'a', 'test']

每个单词对应一个ID，可以设置词表为$N$，然后取最高频的$N$个词作为词表（这里未考虑特殊字符），这个方法简单直接，但是有以下问题：

• 相似的词有着截然不同的意思，如：“dog”和“dogs”
• 词表会非常大
• OOV（Out-Of-Vocabulary）情况会很多，而这些词都会统一用一个token表示，如：“<UNK>”，这使得很多词都会使用同一个token表表示，原来的语义会丢失。

基于字符（Character-based）

更加进一步，我们可以将切分的力度更细一点，使用字符来切分文本，这有2个好处：

• 词表很小，单词也就26个字母，常用的汉字也就几千。
• OOV的情况很少，因为切分的力度更小，所以相比基于词的方法，很少会出现OOV。

但同时缺点也显而易见：

• 相对于词而言，每个token能表示的语义信息更少
• 文本转为token之后会很长

为了兼顾两者的优势，现在用的比较多的方法称之为：子词词元化（subword tokenization）。

备注：熟悉的味道，计算机领域经常会出现这种，在两个极端中取一个平衡。

子词词元化（Subword tokenization）

子词词元化的目标有2个：

• 常见词不应该切分为更小的单元
• 罕见词应该被分解为有意义的子词

比如：Let’s do tokenization!，可以被切分为：

其中，“</w>”表示单词的结尾。

这样子词的表示会有更多的语义信息，同时也可以使在小的词表情况下，尽可能减少<UNK>token的出现。

子词词元化有很多种方法，比较典型的包括：

• GPT-2中的Byte-level BPE
• BERT中的WordPiece
• T5中的Unigram

每一种方法的具体介绍将在之后的博客中进行分享（很快）。

参考资料：

1. Huggingface NLP course
2. 大规模语言模型：从理论到实践 – 张奇、桂韬、郑锐、黄萱菁