分词的一般流程

在使用神经网络处理自然语言处理任务时，我们首先需要对数据进行预处理，将数据从字符串转换为神经网络可以接受的格式，一般会分为如下几步：

（1）分词：使用分词器对文本数据进行分词（字、字词）得到token；

（2）构建词典：根据数据集分词的结果，构建词典映射，形成一个vocabulary dict用于存放每一个token（这一步并不绝对，如果采用预训练词向量，词典映射要根据词向量文件进行处理），vocabulary dict形式如下：

{token1:0,token2:1,token3:2,token4:4........}

（3）数据转换：根据构建好的词典，将分词处理后的数据做映射，将文本序列转换为数字序列；

（4）数据填充与截断：在以batch输入到模型的方式中，需要对过短的数据进行填充，过长的数据进行截断，保证数据长度符合模型能接受的范围，同时batch内的数据维度大小一致。

分词的三种粒度

（1）粗糙的有词粒度（word）

例如“我来做中国”会被分成[我，来，自，中国]

优点：能够保存较为完整的语义信息

缺点：

1、词汇表会非常大，大的词汇表对应模型需要使用很大的embedding层，这既增加了内存，又增加了时间复杂度。通常，transformer模型的词汇量很少会超过50,000，特别是如果仅使用一种语言进行预训练的话，而transformerxl使用了常规的分词方式，词汇表高达267735；

2、 word-level级别的分词略显粗糙，无法发现更加细节的语义信息，例如模型学到的“old”, “older”, and “oldest”之间的关系无法泛化到“smart”, “smarter”, and “smartest”。

3、word-level级别的分词对于拼写错误等情况的鲁棒性不好；

4、 oov（out of vocabulary）问题不好解决，例如分词时数据集中只有cat，测试时遇到cats边无法处理

（2）精细的有字粒度(char)

例如“我来做中国”会被分成[我，来，自，中，国]

一个简单的方法就是将word-level的分词方法改成 char-level的分词方法，对于英文来说，就是字母界别的，比如 "China"拆分为"C","h","i","n","a"，对于中文来说，"中国"拆分为"中"，"国"，

优点：

1、这可以大大降低embedding部分计算的内存和时间复杂度，以英文为例，英文字母总共就26个，中文常用字也就几千个。

2、char-level的文本中蕴含了一些word-level的文本所难以描述的模式，因此一方面出现了可以学习到char-level特征的词向量FastText，另一方面在有监督任务中开始通过浅层CNN、HIghwayNet、RNN等网络引入char-level文本的表示；

缺点：

1、但是这样使得任务的难度大大增加了，毕竟使用字符大大扭曲了词的意义，一个字母或者一个单中文字实际上并没有任何语义意义，单纯使用char-level往往伴随着模型性能的下降；

2、增加了输入的计算压力，原本”I love you“是3个embedding进入后面的cnn、rnn之类的网络结构，而进行char-level拆分之后则变成 8个embedding进入后面的cnn或者rnn之类的网络结构，这样计算起来非常慢；

（3）现在最常用的是子词粒度sub-word，介于两者之间。

为了两全其美，transformer使用了混合了char-level和word-level的分词方式，称之为subword-level的分词方式。

subword-level的分词方式遵循的原则是：尽量不分解常用词，而是将不常用词分解为常用的子词，

例如，"annoyingly"可能被认为是一个罕见的单词，并且可以分解为"annoying"和"ly"。"annoying"并"ly"作为独立的子词会更频繁地出现，同时，"annoyingly"是由"annoying"和"ly"这两个子词的复合含义构成的复杂含义，这在诸如土耳其语之类的凝集性语言中特别有用，在该语言中，可以通过将子词串在一起来形成（几乎）任意长的复杂词。

subword-level的分词方式使模型相对合理的词汇量（不会太多也不会太少），同时能够学习有意义的与上下文无关的表示形式（另外，subword-level的分词方式通过将词分解成已知的子词，使模型能够处理以前从未见过的词（oov问题得到了很大程度上的缓解）。

subword-level又分为不同的切法，这里就到huggingface的tokenizers的实现部分了，常规的char-level或者word-level的分词用spacy，nltk之类的工具包就可以胜任了。

subword的分词往往包含了两个阶段,一个是encode阶段,形成subword的vocabulary dict,一个是decode阶段,将原始的文本通过subword的vocabulary dict 转化为 token的index然后进入embedding层。主要是因为不同的model可能在分token层面做了一些微调,并且根据使用的语料的不同，最后的subword vocabulary dict也会不同。

transfomers中tokenizer使用示例

from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("bert-base-chinese")

sentence = "我是中国人"
# 查看分词结果
tokens = tokenizer.tokenize(sentence)
print("tokens:\n", tokens)  #  ['我', '是', '中', '国', '人']

# 查看词典。词典是在预训练模型时就构建好了的
# print("词典\n", tokenizer.vocab)

# 根据词典将词序列转化为数字序列
ids = tokenizer.convert_tokens_to_ids(tokens=tokens)
print("ids\n", ids) # [2769, 3221, 704, 1744, 782]

# 直接调用encode方法也能实现上述目标,但会自动增加起始和终止数字序号
ids = tokenizer.encode(sentence)
print("ids\n", ids)  #[101, 2769, 3221, 704, 1744, 782, 102]

#填充
ids = tokenizer.encode(sentence, padding="max_length", max_length=12)
print("ids\n", ids)  # [101, 2769, 3221, 704, 1744, 782, 102, 0, 0, 0, 0, 0]

# 裁剪
ids = tokenizer.encode(sentence, max_length=5, truncation=True)
print("ids\n", ids)  #  [101, 2769, 3221, 704, 102]

# attention_mask 与 token_type_id
ids = tokenizer.encode(sentence, padding="max_length", max_length=15)
attention_mask = [1 if idx != 0 else 0 for idx in ids]
token_type_ids = [0] * len(ids)
print(attention_mask)  # [1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0]
print(token_type_ids)  # [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]

# 两种快速调用方式
# 快速调用方式1
inputs = tokenizer.encode_plus(sentence, padding="max_length", max_length=15)
print(inputs)
# {
# 'input_ids': [101, 2769, 3221, 704, 1744, 782, 102, 0, 0, 0, 0, 0, 0, 0, 0], 
# 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
# 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0]
# }

# 快速调用方式2, 直接调用tokenizer本身
inputs = tokenizer(sentence, padding="max_length", max_length=15)

# batch数据和单条数据使用方式是一模一样的
sens = ["我是中国人",
        "追逐梦想的心，比梦想本身，更可贵"]
res = tokenizer(sens, padding="max_length", max_length=12)
print(res)
#{'input_ids': [[101, 2769, 3221, 704, 1744, 782, 102, 0, 0, 0, 0, 0], 
#               [101, 6841, 6852, 3457, 2682, 4638, 2552, 8024, 3683, 3457, 2682, 3315, 6716, 8024, 3291, 1377, 6586, 102]], 
# 'token_type_ids': [[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
#                    [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]], 
# 'attention_mask': [[1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0],
#                    [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]]}