R textrecipes step_tokenize_bpe 字符变量的 BPE 标记化

step_tokenize_bpe() 创建配方步骤的规范，该步骤将使用字节对编码将字符预测器转换为 token 变量。

用法

step_tokenize_bpe(
  recipe,
  ...,
  role = NA,
  trained = FALSE,
  columns = NULL,
  vocabulary_size = 1000,
  options = list(),
  res = NULL,
  skip = FALSE,
  id = rand_id("tokenize_bpe")
)

参数

recipe: 一个recipe 对象。该步骤将添加到此配方的操作序列中。
...: 一个或多个选择器函数用于选择受该步骤影响的变量。有关更多详细信息，请参阅recipes::selections()。
role: 由于没有创建新变量，因此此步骤未使用。
trained: 指示预处理数量是否已估计的逻辑。
columns: 将由 terms 参数(最终)填充的变量名称字符串。在 recipes::prep.recipe() 训练该步骤之前，这是 NULL 。
vocabulary_size: 整数，表示最终词汇表中的标记数量。默认为 1000。强烈鼓励进行调整。
options: 传递给分词器的选项列表。
res: 一旦 prep.recipe() 训练了该预处理步骤，拟合的 tokenizers.bpe::bpe() 模型分词器将存储在此处。
skip: 一个合乎逻辑的。当recipes::bake.recipe() 烘焙食谱时是否应该跳过此步骤？虽然所有操作都是在 recipes::prep.recipe() 运行时烘焙的，但某些操作可能无法对新数据进行(例如处理结果变量)。使用 skip = FALSE 时应小心。
id: 该步骤特有的字符串，用于标识它。

值

recipe 的更新版本，其中新步骤添加到现有步骤(如果有)的序列中。

整理

当您tidy()这一步时，会出现一个带有列terms(选择的选择器或变量)的tibble。

调整参数

此步骤有 1 个调整参数：

vocabulary_size : # 词汇表中的唯一标记(类型：整数，默认值：1000)

箱重

底层操作不允许使用案例权重。

也可以看看

step_untokenize() 取消标记化。

标记化的其他步骤：step_tokenize_sentencepiece()、step_tokenize_wordpiece()、step_tokenize()

例子

library(recipes)
library(modeldata)
data(tate_text)

tate_rec <- recipe(~., data = tate_text) %>%
  step_tokenize_bpe(medium)

tate_obj <- tate_rec %>%
  prep()

bake(tate_obj, new_data = NULL, medium) %>%
  slice(1:2)
#> # A tibble: 2 × 1
#>       medium
#>    <tknlist>
#> 1 [8 tokens]
#> 2 [3 tokens]

bake(tate_obj, new_data = NULL) %>%
  slice(2) %>%
  pull(medium)
#> <textrecipes_tokenlist[1]>
#> [1] [3 tokens]
#> # Unique Tokens: 3

tidy(tate_rec, number = 1)
#> # A tibble: 1 × 2
#>   terms  id                
#>   <chr>  <chr>             
#> 1 medium tokenize_bpe_hu4WM
tidy(tate_obj, number = 1)
#> # A tibble: 1 × 2
#>   terms  id                
#>   <chr>  <chr>             
#> 1 medium tokenize_bpe_hu4WM

源代码：R/tokenize_bpe.R

相关用法

注：本文由纯净天空筛选整理自等大神的英文原创作品 BPE Tokenization of Character Variables。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。