Tokenizer总结

Introduciton

transformer类型的预训练模型层出不穷，其中的tokenizer方法作为一个非常重要的模块也出现了一些方法。本文对tokenizer方法做一些总结。参考来自hunggingface。

tokenizer在中文中叫做分词器，就是将句子分成一个个小的词块(token),生成一个词表，并通过模型学习到更好的表示。其中词表的大小和token的长短是很关键的因素，两者需要进行权衡，token太长，则它的表示也能更容易学习到，相应的词表也会变小；token短了，词表就会变大，相应词矩阵变大，参数也会线性变多。所以token的粒度通常分为word和char，中文则对应为词级别和字级别；目前比较流行的是subword-子词级别，将词进一步分为有意义的子词，这在英文中比较常见(词根，词缀)，其中在transformers模型中常用的subword tokenizer有三种：BPE、WordPiece、SentencePiece。

Byte-Pair-Encoding

BPE(byte-pair-encoding)基于pre-tokenization对训练数据进行切分。Pre-tokenization可以使用简单的空格分割，比如GPT2、RoBERTa；可以使用规则分词方法，如XLM、FlauBERT，GPT；进行完pre-tokenization之后，需要对词进行频率统计，之后会将一批symbol作为基础vocabulary，根据之前的词频统计结果或者别的规则方法作为合并方法对symbol进行合并，并扩充入vocabulary。如此循环直至词表大小达到预先设置值或者合并结束。

Byte-Level BPE

代表模型：GPT。如果将所有unicode字符视为基本字符，则包含所有可能的基本字符的基本词汇表可能相当大。为了获得更好的基础词汇表，GPT-2使用字节作为基础词汇表，这是一个巧妙的技巧，可以强制基础词汇表的大小为256，同时确保每个基础字符都包含在词汇表中。使用一些额外的规则来处理标点符号，GPT2的标记器可以标记每个文本，而不需要<unk>符号。

WordPiece

WordPiece代表模型：BERT、DistilBERT和Electra，与BPE非常相似。WordPiece首先初始化词汇表以包含训练数据中的每个字符，并逐步学习给定数量的合并规则。与BPE相反，WordPiece并没有选择最频繁的符号对，而是选择一个一旦将训练数据添加到词汇表中，就可以最大化训练数据可能性的符号对。下图为词表的生成流程：

Unigram

Unigram也是一种子词的tokenization，虽然在transformer模型中没有直接使用，但是在SentencePiece中会有用到，所以学习一下。unigram方法和上面两种分词器方法相反，先初始化一个包含大量的symbol的基础vocabulary，其中包含预分词生成的word和高频的子词，然后通过修剪方法缩小词表大小。unigram的修剪方法是训练一个语言模型来计算word修剪前后的loss变化，选择去除loss增加最少的词。为了防止out-of-vocabylary，词表会始终保留单个字符。具体流程如下图：

由于unigram没有合并规则，所以在对句子进行tokenizer时会有很多可能的情况。unigram方法会在生成词表时记录每个词的概率，所以可以在tokenizer时会可能出现的情况计算其概率选择概率最大的情况作为最终tokenizer方案。

SentencePiece

SentencePiece代表模型：XLNet、marian、T5、ALBERT。前面描述的tokenizer算法都有相同的问题：假设输入文本使用空格分隔单词。然而，并非所有语言都使用空格分隔单词。一种可能的解决方案是使用特定于语言的预标记器，例如，XLM使用特定的中文、日文和泰文预标记器。为了更普遍地解决这一问题，SentencePiece将输入视为原始输入流，从而包括要使用的字符集中的空间。它一般使用BPE或unigram算法来构造适当的词汇表。