🎯 概述
分词器(Tokenizers)是将文本转换为模型可理解的数字序列的关键组件，直接影响模型的性能和效率。
🏗️ 主流分词算法
1️⃣ BPE (Byte Pair Encoding)
原理：通过合并高频字符对来构建词汇表
优点：
●
有效处理未登录词
●
词汇量可控
●
多语言支持好
缺点：
●
可能产生不完整的词
●
对中文支持有限
实现示例：
2️⃣ WordPiece
原理：基于最大似然估计逐步合并词片段
特点：
●
Google开发，用于BERT
●
在词前添加##标记子词
●
更适合英文
示例：
3️⃣ SentencePiece
原理：将文本视为Unicode序列，不依赖空格分词
优势：
●
语言无关性
●
支持中文、日文等无空格语言
●
可逆转换
配置示例：
📊 算法对比
特性
BPE
WordPiece
SentencePiece
分词粒度
子词
子词
子词/字符
语言支持
英文为主
英文为主
多语言
空格处理
依赖空格
依赖空格
不依赖空格
训练速度
快
中等
慢
模型大小
小
中等
大
🎯 实战应用
中文分词最佳实践
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
使用SentencePiece处理中文
import sentencepiece as spm
训练中文分词器
spm.SentencePieceTrainer.train(
input='chinese_corpus.txt',
model_prefix='chinese_sp',
vocab_size=32000,
character_coverage=0.995, # 覆盖99.5%字符
model_type='bpe'
)
使用分词器
sp = spm.SentencePieceProcessor(model_file='chinese_sp.model')
tokens = sp.encode('大模型面试宝典', out_type=str)
print(tokens) # ['大', '模型', '面试', '宝典']
英文分词示例
1
2
3
4
5
6
使用Hugging Face Tokenizers
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained('bert-base-uncased')
tokens = tokenizer.tokenize("transformer architecture")
print(tokens) # ['transform', '##er', 'arch', '##itecture']
🔍 技术细节
词汇表构建流程
1
预处理：清洗文本，标准化
2
训练：基于语料库学习分词规则
3
验证：检查分词质量
4
优化：调整超参数
特殊标记处理
●
[PAD]：填充标记
●
[UNK]：未知词标记
●
[CLS]：分类标记
●
[SEP]：分隔标记
●
[MASK]：掩码标记（用于MLM）
📚 深入阅读
●
注意力机制详解
●
主流大模型结构
🎯 面试重点
1
BPE和WordPiece的区别？
2
如何处理中文分词？
3
词汇表大小如何选择？
4
OOV(未登录词)问题如何解决？
