step_tokenize_sentencepiece()
创建配方步骤的规范,该步骤将使用 SentencePiece 标记化将字符预测器转换为 token
变量。
用法
step_tokenize_sentencepiece(
recipe,
...,
role = NA,
trained = FALSE,
columns = NULL,
vocabulary_size = 1000,
options = list(),
res = NULL,
skip = FALSE,
id = rand_id("tokenize_sentencepiece")
)
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sentencepiece::sentencepiece()
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。
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。
也可以看看
step_untokenize()
取消标记化。
标记化的其他步骤:step_tokenize_bpe()
、step_tokenize_wordpiece()
、step_tokenize()
例子
library(recipes)
library(modeldata)
data(tate_text)
tate_rec <- recipe(~., data = tate_text) %>%
step_tokenize_sentencepiece(medium)
tate_obj <- tate_rec %>%
prep()
bake(tate_obj, new_data = NULL, medium) %>%
slice(1:2)
#> # A tibble: 2 × 1
#> medium
#> <tknlist>
#> 1 [12 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_sentencepiece_6eJd2
tidy(tate_obj, number = 1)
#> # A tibble: 1 × 2
#> terms id
#> <chr> <chr>
#> 1 medium tokenize_sentencepiece_6eJd2
相关用法
- R textrecipes step_tokenize_wordpiece 字符变量的Wordpiece标记化
- R textrecipes step_tokenize_bpe 字符变量的 BPE 标记化
- R textrecipes step_tokenize 字符变量的标记化
- R textrecipes step_tokenfilter 根据词频过滤标记
- R textrecipes step_tokenmerge 将多个令牌变量合并为一个
- R textrecipes step_text_normalization 字符变量的标准化
- R textrecipes step_tf 代币的使用频率
- R textrecipes step_tfidf 词频-令牌的逆文档频率
- R textrecipes step_textfeature 计算文本特征集
- R textrecipes step_texthash 代币的特征哈希
- R textrecipes step_lemma 标记变量的词形还原
- R textrecipes step_clean_names 干净的变量名称
- R textrecipes step_word_embeddings 令牌的预训练词嵌入
- R textrecipes step_stem 令牌变量的词干
- R textrecipes step_ngram 从标记变量生成 n-gram
- R textrecipes step_stopwords 过滤标记变量的停用词
- R textrecipes step_pos_filter 令牌变量的语音过滤部分
- R textrecipes step_untokenize 令牌变量的取消令牌化
- R textrecipes step_lda 计算代币的LDA维度估计
- R textrecipes step_clean_levels 清晰的分类级别
- R textrecipes step_sequence_onehot 令牌的位置 One-Hot 编码
- R textrecipes step_dummy_hash 通过特征哈希的指示变量
- R textrecipes show_tokens 显示配方的令牌输出
- R textrecipes tokenlist 创建令牌对象
- R update_PACKAGES 更新现有的 PACKAGES 文件
注:本文由纯净天空筛选整理自等大神的英文原创作品 Sentencepiece 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。