AllenNLP框架学习笔记（数据篇之tokenizers）_allennlp.data.tokenizers.token类

tokenizers是数据模块中的一个子模块，在里面主要包含了token与tokenizer的定义和使用，现在做一个简单的介绍，描述字符串是如何载入到TextFields中的。

Token

简单的token抽象，其属性包括文本，偏移量，pos tag，依存关系等，tokenizer的输出被定义为一连串(list)的Token。

Tokenizer

分词器类，Tokenizers将字符串分割成独立的token，如果需要自己定义一个分词类的话，通过重写其tokenize方法便可以实现，可分为word-level与character-level。Allennlp里一般有如下三种方法：

• Characters (“AllenNLP is great” → [“A”, “l”, “l”, “e”, “n”, “N”, “L”, “P”, " ", “i”, “s”, " ", “g”, “r”, “e”, “a”, “t”])
• Wordpieces (“AllenNLP is great” → [“Allen”, “##NL”, “##P”, “is”, “great”])
• Words (“AllenNLP is great” → [“AllenNLP”, “is”, “great”])

需要注意的是在Characters 中，空格也是一个字符，Wordpieces 和Words 相似，但是进一步将单词分为子单词单元。在AllenNLP中，如果每个单词有单独的向量很重要，用户选择的分词法决定了哪些对象将在模型中被分配单个向量（例如，这样用户就可以为它预测一个NER或POS标记），即使希望该向量依赖于字符级表示，用户也需要从词级分割开始。

常用的Tokenizers如下：

• spaCy’s tokenizer，支持多种语言，不过需要科学上网；
• PretrainedTransformerTokenizer，使用Hugging Face的transformers库中的 tokenizer 。
• CharacterTokenizer，它将字符串拆分为单个字符，包括空格。
• WhitespaceTokenizer，默认已经按照空格分好了词，将字符串按照空格切分
• LettersDigitsTokenizer，按照数字与标点符号进行切分

下面是tokenizer的代码示例：

from allennlp.data.tokenizers.letters_digits_tokenizer import LettersDigitsTokenizer
from allennlp.data.tokenizers import CharacterTokenizer, WhitespaceTokenizer
from allennlp.data.tokenizers import Tokenizer, Token
from typing import List
from overrides import overrides
import jieba

english_text = "hello world ! Today is sunday ! I'm going to play Civilization6 ."
chinese_text = "大家好啊！今天是星期日！我准备玩文明6。"

# 按照空格切分
print("white space tokenizer result:", WhitespaceTokenizer().tokenize(english_text))
print("white space tokenizer result:", WhitespaceTokenizer().tokenize(chinese_text))

# 按照字符切分
print("character tokenizer result:", CharacterTokenizer().tokenize(english_text))
print("character tokenizer result:", CharacterTokenizer().tokenize(chinese_text))

# 除了空格，按照数字与标点符号进行切分
print("letter digits tokenizer result:", LettersDigitsTokenizer().tokenize(english_text))
print("letter digits tokenizer result:", LettersDigitsTokenizer().tokenize(chinese_text))


# 自定义jieba分词类，实现中文分词

class JiebaTokenizer(Tokenizer):
    @overrides
    def tokenize(self, text: str) -> List[Token]:
        return [Token(_) for _ in list(jieba.cut(text))]


print("jieba tokenizer result:", JiebaTokenizer().tokenize(chinese_text))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

在tokenizers模块中还有sentence_splitter模块，实现了分句接口。

tokenizer都实现了一个tokenize（）方法，该方法返回Token列表。Token是一个轻量级的数据类，类似于spaCy的Token。

TextFields

即文本字段，继承了SequenceField，代表一连串字符token。在建立本对象之前，需要先使用
Tokenizer类对原始文本进行分词。构造函数须有tokens，token_indexers两个参数。

TextField从Tokenizers获取Token列表，并将每个Token表示为一个数组，模型可以将该数组转换为向量。 TextFields实现了Field API，该API包括以下方法：对词汇表项目进行计数，将字符串转换为整数，然后转换为张量，并使用适当的填充将若干张量组合在一起。 为了在实际操作中保持灵活性，TextField将这些操作的大部分功能转移给了TokenIndexers集合，该集合实际上负责确定如何表示每个Token。 创建一个TextField，代码编写如下：

tokenizer = ...  # Whatever tokenizer you want
sentence = "We are learning about TextFields"
tokens = tokenizer.tokenize(sentence)
token_indexers = {...}  # we'll talk about this in the next section
text_field = TextField(tokens, token_indexers)
...
instance = Instance({"sentence": text_field, ...})
1
2
3
4
5
6
7

小结

通过上面的代码，我们知道了text经过tokenizer的处理，得到一连串的token，而这些token将会作为初始化参数实例化TextField类，同时TextField类的实例化还需要传入token_indexers，在下一节，将介绍token_indexers是什么和怎么使用。

参考资料

• allennlp官方文档1.2.2
• allennlp指南