tokenizer.tokenize_经验分享

Lv.10

封号会员

神

将文本分割成一系列单词或标记的函数。

Tokenizer用法详解

在自然语言处理（NLP）中，文本通常需要经过预处理才能被机器学习模型有效地理解和处理，Tokenization，即分词，是将文本拆分为更小的单元或“tokens”的过程，这些tokens可以是单词、字符、数字或其他任何定义好的有意义的文本片段，Tokenizer是执行这一过程的工具或函数，下面将详细介绍几种常用的tokenizer及其用法。

基于空格和标点的分词

最简单和最常见的分词方法是使用空格和标点符号作为分隔符，大多数编程语言中的字符串处理函数都可以很容易地实现这种基本的分词，在Python中，可以使用str.split()方法：

text = “Hello, world! This is an example.”
tokens = text.split()
print(tokens)

输出结果会是一个包含每个单词的列表：[‘Hello,’, ‘world!’, ‘This’, ‘is’, ‘an’, ‘example.’]

基于正则表达式的分词

正则表达式提供了一种更为强大和灵活的分词方式，通过定义特定的模式，可以精确控制哪些字符组合应该被视为一个token，在Python中，这通常通过re模块来实现：

import re
text = “The price of apples is $1.20 per pound.”
tokens = re.findall(r’bw+b’, text)
print(tokens)

这里使用的正则表达式bw+b匹配边界之间的字母数字序列，输出结果为：[‘The’, ‘price’, ‘of’, ‘apples’, ‘is’, ‘per’, ‘pound’]

基于NLP库的分词

随着NLP技术的发展，出现了许多高级的分词工具和库，如NLTK、spaCy和jieba等，这些库通常提供预训练的模型和算法来更准确地识别语言结构，包括词汇、短语甚至句子。

以spaCy为例，以下是其用法：

import spacy
nlp = spacy.load(‘en_core_web_sm’)
text = “This is a sentence with multiple tokens.”
doc = nlp(text)
tokens = [token.text for token in doc]
print(tokens)

spaCy不仅能够进行单词级别的分词，还能识别出名词、动词等词性，并生成依赖关系树，这对于后续的语言分析非常有帮助。

自定义Tokenizer

有时，标准的分词方法可能无法满足特定任务的需求，在这种情况下，可以创建自定义的tokenizer，这通常是通过继承某个库提供的基类并实现自己的逻辑来完成的，在TensorFlow中，可以这样做：

import tensorflow as tf
class CustomTokenizer(tf.keras.preprocessing.text.Tokenizer):
def __init__(self, *args, **kwargs):
super().__init__(*args, **kwargs)
添加自定义逻辑
tokenizer = CustomTokenizer(oov_token=”<OOV>”)
tokenizer.fit_on_texts([[“This”, “is”, “a”, “sentence”]])
sequences = tokenizer.texts_to_sequences([[“This”, “is”, “a”, “new”, “sentence”]])
print(sequences)

自定义tokenizer允许你完全控制如何将文本转换为数字序列，这对于一些特殊的任务来说非常有用。

相关问题与解答

Q1: 什么是token，为什么在NLP中需要它？

A1: Token是文本中具有语义的最小单位，它可以是单词、字符、数字等，在NLP中，需要将文本分解为tokens以便模型能够理解和处理。