神经网络算法 - 一文搞懂Tokenization（分词）_tokennizer

前言

本文将从分词的本质、中英文分词、分词的方法三个方面，带您一文搞懂Tokenization（分词）。

一、分词的本质

核心逻辑：将句子、段落、文章这种长文本，分解为以字词为单位的数据结构。

• 文本切分：分词是将连续的文本切分为独立的、有意义的词汇单元的过程。这些词汇单元可以是单词、词组或特定的符号，切分的目的是使文本更易于处理和解析。

• 语义理解的基础：分词是语义理解的基础步骤。计算机通过分词能够识别出文本中的基本语义单元，进而进行词性标注、句法分析、语义推理等更高级的处理。

• 数据结构化：分词将非结构化的文本数据转化为结构化的词汇序列，使得文本数据能够被计算机程序有效地处理和分析。

为什么要分词：分词是将自然语言简化为数学问题，提供合适语义粒度的关键步骤。

• 问题转化：分词可以将非结构化的文本数据转化为结构化数据，这样复杂的自然语言处理就被转化为了更易于处理的数学问题。

• 合适的语义粒度：词是语言中表达完整含义的基本单位。与字相比，词能够提供更丰富的语义信息。单个字往往无法独立表达完整的意义，而词则可以。同时，与句子相比，词的粒度更小，更易于处理和复用。

二、中英文分词

中英文分词对比：

• 分词方式：英文文本天然地通过空格分隔单词，为自动分词提供了便利。中文则缺乏明确的分隔符，分词需要依据语义和上下文进行，更加复杂且容易产生歧义。

• 词形变化：英文单词具有丰富的词形变化，如时态、语态、单复数等，需要进行词形还原（Lemmatization）和词干提取（Stemming）以统一处理。词性还原：does，done，doing，did 需要通过词性还原恢复成 do。词干提取：cities，children，teeth 这些词，需要转换为 city，child，tooth”这些基本形态。中文则不需要。

• 粒度问题：中文分词时需要考虑粒度大小，即词汇的划分粗细。不同粒度可能对应不同的语义，需要根据具体场景选择。英文中由于单词本身即为基础单位，不存在这一问题。

中文分词难点：

• 缺乏统一标准

  问题描述：中文分词没有公认、统一的标准或规范。

  挑战：导致不同机构、公司或组织采用各异的分词方法和规则，增加了中文分词研究和应用的复杂性。

• 歧义词汇切分

  问题描述：中文中存在大量歧义词汇，其分词方式随上下文变化。

  挑战：要求分词系统能够准确根据上下文判断词汇边界和具体含义，增加了分词的难度和复杂性。

• 新词快速识别

  问题描述：信息爆炸时代，新词和流行语不断涌现。

  挑战：要求中文分词系统具备灵活性和自适应性，能够快速、准确地识别和处理这些新词，如“多巴胺穿搭、显眼包”等网络流行语。

三、分词的方法

基于统计：

• 特点：对新词和未登录词识别良好。

• 基本思路：通过统计学习建立模型，利用上下文信息进行分词。

• 常用算法：隐马尔可夫模型（HMM）、支持向量机（SVM）等。

基于深度学习：

• 特点：能自动学习文本中的复杂特征。

• 基本思路：使用深度学习模型进行序列标注实现分词。

• 常用模型：双向长短期记忆网络（BiLSTM）、条件随机场（CRF）等。

最后的最后

感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你。

因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】