sentencepiece为字词的切分算法,在中文就是感觉就是分词(可能有bpe,还没有确定?),在英文中感觉就是bpe。
算法过程:
拆分句子中有两个变量,一个为词表和句子的切分序列。EM算法,句子的切分序列为隐变量。
开始时,随机初始化一个词表和随机切分一下句子。
1、固定词表,求一个句子困惑度最低的切分序列。
2、根据这个切分序列求固定词表,剔除一个词,然后计算困惑度,最后对困惑度设定一个阈值,筛选一些对语料集影响较大的词。
sentencepiece为字词的切分算法,在中文就是感觉就是分词(可能有bpe,还没有确定?),在英文中感觉就是bpe。
算法过程:
拆分句子中有两个变量,一个为词表和句子的切分序列。EM算法,句子的切分序列为隐变量。
开始时,随机初始化一个词表和随机切分一下句子。
1、固定词表,求一个句子困惑度最低的切分序列。
2、根据这个切分序列求固定词表,剔除一个词,然后计算困惑度,最后对困惑度设定一个阈值,筛选一些对语料集影响较大的词。