BPE算法,最早应用于NLP任务出现于《Neural Machine Translation of Rare Words with Subword Units》这篇文章,是一种解决NMT任务中,出现OOV(out-of-vocabulary)的方法。在NMT任务中,如果出现OOV问题,最常见的就是back off to a dictionary。这篇文章使用了BPE算法后,不用退回到字典前就可以继续NMT任务。
BPE是一种压缩算法,是一种自下而上的算法。将单词作为单词片段处理(wordpieces),以便于处理未出现单词。在NMT任务中,先将训练集单词划分成片段(利用BPE),然后将片段随机赋值后放到RNNs或CNNs中训练出片段的embedding,再将片段组合得出word的embedding后,进行NMT工作。这样如果在训练集或者其他情况中,遇到生僻词或者未登录词时,直接利用片段进行组合来进行NMT任务。
BPE算法基本过程如下:
(1)首先将统计text中单词,做成词汇表(单词-频率),然后按照unigram进行分解。
5l o w
2 l o w e r
6 n e w e s t
3 w i d e s t
词汇表:l, o, w, e, r, n, w, s, t, i, d,
(2)寻找频率最大的片段(字符),进行组合,将组合片段加入词汇表。
5l o w
2 l o w e r
6 n e w es t
3 w i d es t
词汇表:l, o, w, e, r, n, w, s, t, i, d,es
(3)继续重复上述操作,直到达到设定的阈值(词汇数+操作数)->操作数是唯一的超参数
5l o w
2 l o w e r
6 n e w est
3 w i d est
词汇表:l, o, w, e, r, n, w, s, t, i, d,es,est
5 low
2lo w e r
6 n e w est
3 w i d est
词汇表:l, o, w, e, r, n, w, s, t, i, d,es,est,lo
在《Neural Machine Translation of Rare Words with Subword Units》中存在这个算法描述的一段代码:
import re, collectionsdef get_stats(vocab):pairs = collections.defaultdict(int)for word, freq in vocab.items():symbols = word.split()for i in range(len(symbols)-1):pairs[symbols[i],symbols[i+1]] += freqreturn pairsdef merge_vocab(pair, v_in):v_out = {}bigram = re.escape(' '.join(pair))p = pile(r'(?<!\S)' + bigram + r'(?!\S)')for word in v_in:w_out = p.sub(''.join(pair), word)v_out[w_out] = v_in[word]return v_outvocab = {'l o w </w>' : 5, 'l o w e r </w>' : 2,'n e w e s t </w>':6, 'w i d e s t </w>':3}num_merges = 10for i in range(num_merges):pairs = get_stats(vocab)best = max(pairs, key=pairs.get)vocab = merge_vocab(best, vocab)print(best)output:('e', 's')('es', 't')('est', '</w>')('l', 'o')('lo', 'w')('n', 'e')('ne', 'w')('new', 'est</w>')('low', '</w>')('w', 'i')
其中</w>是作为结束符来使用的。
BPE仅使用一个字符频率来训练合并操作。频繁的子字符串将在早期连接,从而使常用单词作为唯一的符号保留下来(如theand等)。由罕见字符组合组成的单词将被分割成更小的单元,例如,子字符串或字符。因此,只有在固定的词汇量很小的情况下(通常是16k到32k),对一个句子进行编码所需要的符号数量不会显著增加,这是高效解码的一个重要特征。来自《Subword Regularization Improving Neural Network Translation Models》
例子来自:cs224()_12