自然语言处理的分词与词嵌入

1 分词

1.1 什么是分词

分词是把自然语言语句进行数字化的过程。

1.2 为什么要分词

自然语言是字符串序列，机器没办法直接处理， 需要处理成数字的形式。

1.3 如何进行分词

以英文为例：

• 1 按空格划分
  这应该是最简单也最直观的做法了。这样分词的结果基本上就是单词和标点符号。 这种分词方法的优点是简单， 缺点也很明显： 1）单词的表的数量会很大，2)容易出现新的单词不在词表中的情况， 3）相似单词之间没有联系（如一个单词的过去式， 未来式等等）

• 2 按字符划分
  按字符划分不会出现新的单词不在词表中的情况， 并且词表的数量也会比较小。但是缺点也非常明显， 那就是序列会变得特别长， 并且拆分成一个一个的字符， 几乎完全丢失了单词的语义信息。

• 3 按子词（subword）划分
  这种方式可以看做是上面两种方式的折中， 可以有效避免上面2种方式的缺点。
  下面将介绍几个流行的subword分词方法。

1.3.1 BPE

1.3.2 Wordpiece

经过分析后， 我们可以得到一个词表， 下面是一个词表的示例：

可以看到， 词表中既有完整的单词， 也有一些并不是完整的单词， 如es, ed, ou等等， 它们可以被看做subword。对词表中的每一个元素， 我们可以给他一个数字编号， 如词表中包含50000个元素， 我们就依次用0~49999给他们编号。

有了这个词表，对一个句子， 我们就可以逐个遍历词表， 把一个句子用词表中的元素顺序拼接起来， 如Hello word这个序列，可以分成Hell o world, 对应的数字序列就是13586， 137，255。

分词完成了语言序列的数字化， 使神经网络可以处理自然语言序列。

2 词嵌入

词嵌入就是为了把词表中的每个元素用向量表示。 上面分词得到的词表我们用数字对他们进行了编号， 虽然网络可以直接处理数字信息， 但上面的数字并没有什么语义信息， 数字编号只是我们随意赋予的一个数值， 本身没有什么意义。我们期望得到一个有意义的表征，常见的做法是把词表中的每个元素用一个向量表征， 比如每一个元素， 我们用1024维的向量表示， 那么对于一个长度50000的词表， 词嵌入之后的词汇表就是50000*1024的大小。

3 参考

1 深度学习进阶篇-预训练模型[1]：预训练分词Subword、ELMo、Transformer模型原理;结构;技巧以及应用详解