神经网络算法--文搞懂Tokenization(分词)

Cc不爱吃洋葱

于 2024-08-18 09:15:00 发布

阅读量762

点赞数 14

文章标签：神经网络算法人工智能 AI产品经理大模型 AI大模型深度学习

本文链接：https://blog.csdn.net/2401_85328934/article/details/141255732

版权

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。

在大模型时代，我们如何有效的去学习大模型？

现如今大模型岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。
在这里插入图片描述

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也_想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把都打包整理好，希望能够真正帮助到大家_。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，下面是我整理好的一套完整的学习路线，希望能够帮助到你们学习AI大模型。

在这里插入图片描述

第一阶段：从大模型系统设计入手，讲解大模型的主要方法；

第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。