分词算法总结：不同分词算法的优点和缺点
一、Tokenizer的作用
- 将文本序列转化为数字序列（token编号），作为transformer的输入
- 是训练、微调、推理的LLM的一部分
简单的输入文本：“Some, words are input?”
分割结果：["Some", "," "words ", "are ", "input", "?"]
转成token_id：[121, 694, ..., ...]
具体的详细实践可以看我前面的两篇博客：分词算法BBPE详解和Qwen的应用_bbpe 训练-CSDN博客
分词算法BPE详解和CLIP的应用-CSDN博客
二、word-based Tokenizers
简单描述：将文本划分为一个一个的词（包括标点）
优点：
- 符合人的自然语言和直觉，词粒度能保留更多的语义信息
- 序列划分后词元数量更短，处理起来更高效；；
缺点：
-
按词为粒度进行划分，会导致词典庞大；
-
词汇是不断扩张的，对于新产生的不在词典里的词，会带来OOV问题（未知的词用特殊的token表示，丢失了关键信息，直接对模型性能造成影响）；
-
稀疏词、低频词无法在训练时有充分的语料进行训练；
-
难以学习到同一个词的不同形态，比如英文中的look和looks，按词划分的话需要对这两个分别进行训练，但显然没这个必要；
三、Character-based Tokenizers
简单描述：将文本划分为一个一个的字符
优点：
- 可以表示任意（英文）文本，不会出现word-based中的unknow情况
- 词表很小，比如英文只需要不到256个字符
缺点：
- 相对word-based来说信息量非常低，导致模型性能很差
- 相对于word-based来说，会产生很长的token_id序列
- 中文也需要一个很大的词表
四、Subword-based Tokenizer
具体见我上面两篇博客：BPE和BBPE算法，还包括WordPiece Tokenization和Unigram Tokenization（本文就不详细介绍分词算法细节）
简单描述：
- 常用词不应该切分成更小的token或者subword
- 不常用词或者词群应该用字词来表示
优点：
- 使用subword划分英文词群，既能够保留充分的语义，也能够做到相对的高效和词表小
- 也能够尽量避免OOV问题（BPE依旧存在，BBPE解决了OOV问题）
怎么训练的？
- 初始化：将语料库中的单词分解为字符序列，末尾加上特殊符号表示词的计数
- 统计相邻符号的频率
- 合并频率最高的符号对
- 重复1-3步骤，直至满足达到预设的词汇表的大小
五、结论
基本上现在的GPT、LLama、Qwen、InternVL应该都采用了sub-word的算法（从开源的paper或者代码中找到，但是闭源的就不太清楚了），还有一些基于sentence的库的sub-word算法实现，此处就不详细介绍了