BertTokenizer详解

Tokenizing:将任意长的文本转化成数字序列，定义为TokenIds.每一个TokenId是word,subword或者character在词汇表里的索引。

Tokenizing的前提必须要有一张词汇表。

词汇表的学习过程:

1.Standardize:滤出标点符号，将所有大写统一为小写。这个步骤属于可选步骤，可以执行，也可以不执行。

2.split:分词

3.最后便是统计所有出现过的字符，并组成一个词汇表。

英语文本的预处理通常是Tokenizing，而Tokenizing的最小维度分为三种——word(单词)，wordpiece(单词块)，character(字母)。word的Tokenizing很好处理，因为英文文本单词之间有着天然的空格符，完全可以根据空格符进行Tokenizing。character的Tokenizing也同样好处理，只需将文本里所有字母切分开就行了。但是wordpiece的Tokenizing却显得更复杂，却又更实用。这种方式可以将" unintended "分解成 " un "," intend ", "ed"，将" actor "分解成" act "和" or "。显然这种Tonkenizing更符合英语文本的语法分析。以wordpiece建立的词汇表，称之为Bert wordpiece vocabulary。

---

利用tensorflow_text包可以在英文文本集上学习到一张Bert wordpiece vocabulary。

 导包，

from tensorflow_text.tools.wordpiece_vocab import bert_vocab_from_dataset as bert_vocab

  利用如下方法即可实现，

bert_vocab.bert_vocab_from_dataset(
    dataset,
    **bert_vocab_args
)

 该方法的关键源码部分为

tokenizer = bert_tokenizer.BasicTokenizer(**bert_tokenizer_params)
  words_dataset = dataset.map(tokenizer.tokenize)
  word_counts = learner.count_words(words_dataset)
 
  vocab = learner.learn(word_counts, vocab_size, reserved_tokens,
                        **learn_params)
 
  return vocab

 

注意

从数据集里产生wordpiece vocabulary之前，该方法会先通过类对象BasicTokenizer进行分词。我们可以通过使用它，分析一下该对象的分词原理是什么。

 导入包，

from tensorflow_text.python.ops import bert_tokenizer

  使用该对象对英文文本分词，

text_inputs1 = [b'taste the rustisc indiefrost']
text_inputs2 = [b'tastethe rustiscindiefrost']
a = bert_tokenizer.BasicTokenizer(lower_case=False, normalization_form='NFC')
print(a.tokenize(text_inputs1))
print(a.tokenize(text_inputs2))
 
 
 
<tf.RaggedTensor [[b'taste', b'the', b'rustisc', b'indiefrost']]>
<tf.RaggedTensor [[b'tastethe', b'rustiscindiefrost']]>

  观察输出结果可知，对英文文本是以空格符作为分词依据的

---

   使用该对象对中文文本分词，

text_inputs1 = '明天你有时间吗'
text_inputs2 = '明 天 你 有 时 间 吗'
a = bert_tokenizer.BasicTokenizer(lower_case=False, normalization_form='NFC')
print(a.tokenize(text_inputs1))
for i in a.tokenize(text_inputs1).numpy():
    for j in i:
        print(j.decode('utf-8'))
 
print(a.tokenize(text_inputs2).numpy())
for i in a.tokenize(text_inputs2).numpy():
    for j in i:
        print(j.decode('utf-8'))

<tf.RaggedTensor [[b'\xe6\x98\x8e', b'\xe5\xa4\xa9', b'\xe4\xbd\xa0', b'\xe6\x9c\x89',
  b'\xe6\x97\xb6', b'\xe9\x97\xb4', b'\xe5\x90\x97']]>
明
天
你
有
时
间
吗
[[b'\xe6\x98\x8e' b'\xe5\xa4\xa9' b'\xe4\xbd\xa0' b'\xe6\x9c\x89'
  b'\xe6\x97\xb6' b'\xe9\x97\xb4' b'\xe5\x90\x97']]
明
天
你
有
时
间
吗

发现对于中文来说，不管字与字之间是否有空格，都会将一句话分解成一个个字。

 

A basic tokenizer that tokenizes using some deterministic rules:
- For most languages, this tokenizer will split on whitespace.
- For Chinese, Japanese, and Korean characters, this tokenizer will split on
    Unicode characters.

---

学习词汇表，

dataset = tf.data.Dataset.from_tensor_slices(tf.constant(['明天你有时间吗']))
en_vocab = bert_vocab.bert_vocab_from_dataset(
    dataset,
    vocab_size=2,
    # Reserved tokens that must be included in the vocabulary
    reserved_tokens=[],
    # Arguments for `text.BertTokenizer`
    bert_tokenizer_params=dict(lower_case=True),
    # Arguments for `wordpiece_vocab.wordpiece_tokenizer_learner_lib.learn`
    learn_params={}
)
print(en_vocab)  

['你', '吗', '天', '时', '明', '有', '间', '##你', '##吗', '##天', '##时', '##明', '##有', '##间']

 将词汇表写入文件，每一行含一个字。然后以形参的方式传给BertTokenizer对象，

tokenizers = text.BertTokenizer(vocab_lookup_table='vocab.txt')
print(tokenizers.tokenize(['明天你']))

<tf.RaggedTensor [[[5],
  [2],
  [0]]]>

 

 输出的维度是三维的，(batch_size, text_length, subword_num)，因为中文没有subword的概念，所以subword_num都是为1。

注意：BertTokenizer里的tokenize方法在Tokenizing之前同样调用了BasicTokenizer进行分词处理。上文已经强调了，BasicTokenizer对于中文的分词原则是根据Unicode字符（一个汉字对应一个Unicode字符单位）来进行处理的，也就是说，无需将中文文本的每个字用空格隔开。但在tf.keras.layers.TextVectorization层里需要用空格隔开，因为该层一律是根据空格来进行分词的。

总结：

1. tensorflow_text对于中文，日文，韩文的分词是根据Unicode，而英文，葡萄牙文之类的是依据空格的。
2. 在tokenizing之前或者学习wordpiece词汇表之前，首先进行的是分词处理。

加深影响，以英文为例，

tokenizers = text.BertTokenizer(vocab_lookup_table='vocab.txt', lower_case=True)
print(tokenizers.tokenize(['I am unintended']))
print(tokenizers.detokenize(tokenizers.tokenize(['I am unintended'])))

<tf.RaggedTensor [[[3], [4, 5], [0, 1, 2]]]>
<tf.RaggedTensor [[[b'i'],
  [b'am'],
  [b'unintended']]]>

##代表充当后缀的subword，无##的subword是位于word首部的。

由上面可知，am被分解为a和##m，unintended分解为un，##intend和##ed。

detokenize就是将索引对应的subword在三维数组中沿着-1轴进行拼接。以无##的subword为首，然后向后拼接有##的subword。