R textrecipes step_tokenize_bpe 字符變量的 BPE 標記化

step_tokenize_bpe() 創建配方步驟的規範，該步驟將使用字節對編碼將字符預測器轉換為 token 變量。

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")
)

參數

recipe: 一個recipe 對象。該步驟將添加到此配方的操作序列中。
...: 一個或多個選擇器函數用於選擇受該步驟影響的變量。有關更多詳細信息，請參閱recipes::selections()。
role: 由於沒有創建新變量，因此此步驟未使用。
trained: 指示預處理數量是否已估計的邏輯。
columns: 將由 terms 參數(最終)填充的變量名稱字符串。在 recipes::prep.recipe() 訓練該步驟之前，這是 NULL 。
vocabulary_size: 整數，表示最終詞匯表中的標記數量。默認為 1000。強烈鼓勵進行調整。
options: 傳遞給分詞器的選項列表。
res: 一旦 prep.recipe() 訓練了該預處理步驟，擬合的 tokenizers.bpe::bpe() 模型分詞器將存儲在此處。
skip: 一個合乎邏輯的。當recipes::bake.recipe() 烘焙食譜時是否應該跳過此步驟？雖然所有操作都是在 recipes::prep.recipe() 運行時烘焙的，但某些操作可能無法對新數據進行(例如處理結果變量)。使用 skip = FALSE 時應小心。
id: 該步驟特有的字符串，用於標識它。

值

recipe 的更新版本，其中新步驟添加到現有步驟(如果有)的序列中。

整理

當您tidy()這一步時，會出現一個帶有列terms(選擇的選擇器或變量)的tibble。

調整參數

此步驟有 1 個調整參數：

vocabulary_size : # 詞匯表中的唯一標記(類型：整數，默認值：1000)

箱重

底層操作不允許使用案例權重。

也可以看看

step_untokenize() 取消標記化。

標記化的其他步驟：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

源代碼：R/tokenize_bpe.R

相關用法

注：本文由純淨天空篩選整理自等大神的英文原創作品 BPE Tokenization of Character Variables。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。