15.6.1。fastText 模型

回想一下單詞在 word2vec 中是如何表示的。在skip-gram模型和連續(xù)詞袋模型中，同一個詞的不同變形形式直接由不同的向量表示，沒有共享參數(shù)。為了使用形態(tài)信息，fastText 模型提出了一種子詞嵌入方法，其中一個子詞是一個字符n-gram （Bojanowski等人，2017 年）。與學(xué)習(xí)詞級向量表示不同，fastText 可以被視為子詞級 skip-gram，其中每個中心詞由其子詞向量的總和表示。

讓我們舉例說明如何使用單詞“where”為 fastText 中的每個中心詞獲取子詞。首先，在單詞的首尾添加特殊字符“<”和“>”，以區(qū)別于其他子詞的前綴和后綴。然后，提取字符n－克從字。例如，當(dāng)n=3，我們得到所有長度為 3 的子詞：“”，以及特殊子詞“”。”、“whe”、“her”、“ere”、“re>

在 fastText 中，對于任何單詞w, 表示為Gw其所有長度在 3 到 6 之間的子字及其特殊子字的并集。詞匯表是所有詞的子詞的并集。出租zg是子詞的向量g在字典中，向量vw為詞w作為 skip-gram 模型中的中心詞的是其子詞向量的總和：

fastText 的其余部分與 skip-gram 模型相同。與skip-gram模型相比，fastText中的詞匯量更大，導(dǎo)致模型參數(shù)更多。此外，為了計算一個詞的表示，必須將其所有子詞向量相加，從而導(dǎo)致更高的計算復(fù)雜度。然而，由于具有相似結(jié)構(gòu)的詞之間的子詞共享參數(shù)，稀有詞甚至詞匯表外的詞可能會在 fastText 中獲得更好的向量表示。

15.6.2。字節(jié)對編碼

在 fastText 中，所有提取的子詞都必須具有指定的長度，例如3到6，因此無法預(yù)定義詞匯量大小。為了允許在固定大小的詞匯表中使用可變長度的子詞，我們可以應(yīng)用一種稱為字節(jié)對編碼(BPE) 的壓縮算法來提取子詞 ( Sennrich et al. , 2015 )。

字節(jié)對編碼對訓(xùn)練數(shù)據(jù)集進(jìn)行統(tǒng)計分析，以發(fā)現(xiàn)單詞中的常見符號，例如任意長度的連續(xù)字符。從長度為 1 的符號開始，字節(jié)對編碼迭代地合并最頻繁的一對連續(xù)符號以產(chǎn)生新的更長的符號。請注意，為了提高效率，不考慮跨越單詞邊界的對。最后，我們可以使用子詞這樣的符號來分詞。字節(jié)對編碼及其變體已用于流行的自然語言處理預(yù)訓(xùn)練模型中的輸入表示，例如 GPT-2 （Radford等人，2019 年）和 RoBERTa （Liu等人，2019 年）. 下面，我們將說明字節(jié)對編碼的工作原理。

首先，我們將符號詞匯表初始化為所有英文小寫字符、一個特殊的詞尾符號'_'和一個特殊的未知符號'[UNK]'。

import collections

symbols = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm',
      'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z',
      '_', '[UNK]']

import collections

symbols = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm',
      'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z',
      '_', '[UNK]']

由于我們不考慮跨越單詞邊界的符號對，我們只需要一個字典raw_token_freqs將單詞映射到它們在數(shù)據(jù)集中的頻率（出現(xiàn)次數(shù)）。請注意，特殊符號'_'附加到每個單詞，以便我們可以輕松地從輸出符號序列（例如，“a_ tall er_ man”）中恢復(fù)單詞序列（例如，“a taller man”）。由于我們從僅包含單個字符和特殊符號的詞匯表開始合并過程，因此在每個單詞中的每對連續(xù)字符之間插入空格（字典的鍵token_freqs）。換句話說，空格是單詞中符號之間的分隔符。

raw_token_freqs = {'fast_': 4, 'faster_': 3, 'tall_': 5, 'taller_': 4}
token_freqs = {}
for token, freq in raw_token_freqs.items():
  token_freqs[' '.join(list(token))] = raw_token_freqs[token]
token_freqs

{'f a s t _': 4, 'f a s t e r _': 3, 't a l l _': 5, 't a l l e r _': 4}

raw_token_freqs = {'fast_': 4, 'faster_': 3, 'tall_': 5, 'taller_': 4}
token_freqs = {}
for token, freq in raw_token_freqs.items():
  token_freqs[' '.join(list(token))] = raw_token_freqs[token]
token_freqs

{'f a s t _': 4, 'f a s t e r _': 3, 't a l l _': 5, 't a l l e r _': 4}

我們定義了以下get_max_freq_pair函數(shù)，該函數(shù)返回單詞中出現(xiàn)頻率最高的一對連續(xù)符號，其中單詞來自輸入字典的鍵token_freqs。

def get_max_freq_pair(token_freqs):
  pairs = collections.defaultdict(int)
  for token, freq in token_freqs.items():
    symbols = token.split()
    for i in range(len(symbols) - 1):
      # Key of `pairs` is a tuple of two consecutive symbols
      pairs[symbols[i], symbols[i + 1]] += freq
  return max(pairs, key=pairs.get) # Key of `pairs` with the max value

def get_max_freq_pair(token_freqs):
  pairs = collections.defaultdict(int)
  for token, freq in token_freqs.items():
    symbols = token.split()
    for i in range(len(symbols) - 1):
      # Key of `pairs` is a tuple of two consecutive symbols
      pairs[symbols[i], symbols[i + 1]] += freq
  return max(pairs, key=pairs.get) # Key of `pairs` with the max value

作為一種基于連續(xù)符號頻率的貪婪方法，字節(jié)對編碼將使用以下merge_symbols函數(shù)合并最頻繁的一對連續(xù)符號以產(chǎn)生新的符號。

def merge_symbols(max_freq_pair, token_freqs, symbols):
  symbols.append(''.join(max_freq_pair))
  new_token_freqs = dict()
  for token, freq in token_freqs.items():
    new_token = token.replace(' '.join(max_freq_pair),
                 ''.join(max_freq_pair))
    new_token_freqs[new_token] = token_freqs[token]
  return new_token_freqs

def merge_symbols(max_freq_pair, token_freqs, symbols):
  symbols.append(''.join(max_freq_pair))
  new_token_freqs = dict()
  for token, freq in token_freqs.items():
    new_token = token.replace(' '.join(max_freq_pair),
                 ''.join(max_freq_pair))
    new_token_freqs[new_token] = token_freqs[token]
  return new_token_freqs

現(xiàn)在我們在字典的鍵上迭代執(zhí)行字節(jié)對編碼算法token_freqs。在第一次迭代中，出現(xiàn)頻率最高的一對連續(xù)符號是't'和'a'，因此字節(jié)對編碼將它們合并以產(chǎn)生新的符號'ta'<