一、wordpiece原理
面试:
1、中文wordpiece是怎么做的?
- 中文没有wordpiece
2、中文的N-gram是如何做的?
一种基于char,一种基于word的。
基于char:
- 比如一种最传统的做法就是基于char的。如1-gram,“我来到北京清华大学”。即 我 来 到 北 京 清 华 大 学。比如2-gram, 我来 来到 到北 北京 京清 清华 华大 大学。
基于word:
- 先中文分词(jieba分词),我/ 来到/ 北京/ 清华大学。分开的每个都可以当做单独的token。这么做中文词表会非常大。所以需要对中文词表设定最低词频和最大词表大小。
3、oov如何解决?
- wordpiece和N-gram
4、中文oov如何解决?
- 中文如果是oov,不在词表范围,其实也不好解决。之前也有看过通过偏旁部首进行操作,具体效果也不太确定。