SentencePiece는 신경망 기반 텍스트 생성 시스템에서 주로 사용 되는 unsupervised text 토큰화기 및 해독기로서(tokenizer and detokenizer) 신경 모델 학습 전에 어휘 크기(Vocab Size)가 미리 결정합니다. SentencePiece는 원시 문장(raw sentences)에서 직접 학습을 확장하여 subword 단위를 구현합니다(예: byte-pair-encoding(BPE) [Sennrich et al.] Punigram language model[Kudo.]). SentencePiece를 사용하면 언어 별 pre/postprocessing 의지하지 않는 end-to-end system을 만들 수 있습니다. (공식 Google 제품이 아닙니다.)
Technical highlights
- Purely data driven: SentencePiece는 문장에서 tokenization 및 detokenization 모델을 훈 련시킵니다. Pre-tokenization(Moses tokenizer/MeCab/KyTea)가 항상 필요한 것은 아닙니다.
- Language independent: SentencePiece는 문자열을 Unicode characters처럼 취급합니다. 거기에 language-dependent logic은 없습니다.
- Multiple subword algorithms: BPE[Sennrich et al.]와 Unigram Language Model을 [Kudo.] 사용합니다.
- Subword regularization: SentencePiece는 subword regularization의 subword sampling을 구현합니다.
- Subword sampling은 NMT model의 robustness와 accuracy 향상에 도움을 줍니다.
- Fast and lightweight: Sementation 의 속도는 초당 약 50K 문장이며, memory footprint은 약 6MB입니다.
- Self-contained: 동일한 모델 파일이 사용되는 한 동일한 tokenization/detokenization가 수행됩니다.
- Direct vocabulary id generation: SentencePiece는 Vocabulary에서 ID로의 mapping을 관리하고 원시문 장(raw sentences)에서 Vocabulary ID 시퀀스를 직접 생성할 수 있습니다.
- NFKC-based normalization: SentencePiece NFKC-based 텍스트 정규화(text normalization)를 수행합니다.
Overview
What is SentencePiece?
SentencePiece는 sub-word units을 재 구현 한 것으로, neural machine translation에서 open vocabulary 문제를 완화하는 효과적인 방법입니다. SentencePiece는 byte-pair-encoding(BPE)[Sennrich et al.] 및 unigram language model[Kudo.]의 두 가지 세그먼트화 알고리즘을 지원합니다.다른 구현과의 차이점은 다음과 같습니다.
여러 unique token 수는 미리 결정됩니다.
Neural Machine Translation model은 일반적으로 고정 어휘로 작동합니다. infinite vocabulary을 가정하는 unsupervised word segmentation algorithm 달리 SentencePiece는 최종 어휘 크기가 고정되도록 (예 : 8k, 16k 또는 32k) 분할 모델을 학습시킵니다.SentencePiece는 훈련을 위한 최종 어휘 크기를 정의합니다. 이는 병합연산의 (merge operation) number를 사용하는 subword-nmt와 다릅니다. 병합 연산의(merge operation) number는 BPE 특정 매개 변수이며, unigram, word와 character를 포함한 다른 segmentation algorithms에 는 적용되지 않습니다.
원시 문장(raw sentences)에서 학습
이전의 sub word 구현에서는 input sentence가 pre-tokenized된 것으로 가정합니다. 이 제약 조건은 효율적인 학습을 위해 필요했지만 사전에 언어 의존적 tokenizer를 실행 해야하므로 사전 처리가 복잡해집니다.SentencePiece의 구현은 원시 문장으로부터 모델을 훈련시키기에 충분 히 빠릅니다. 이는 단어 사이에 공백이 없는 중국어 및 일본어의 tokenizer 및 detokenizer 학습에 유용합니다.
베이직 심볼로 띄어쓰기(white space)를 사용함
자연어 처리의 첫 단계는 text tokenization 입니다.예를 들어 standard English tokenizer는 "Hello world"라는 텍스트를 다 음 세 개 토큰으로 분류합니다.
[Hello] [World] [.]한 가지 주의점은 original input과 tokenized sequence는 뒤집어서 변환할 수 없습니다.
예를 들어 "World"와 "."사이에 공백이 없는 정보
예)
Tokenize("World.") == Tokenize("World')
SentencePiece는 input text를 일련의 유니 코드 문자로 취급합니다. Whitespace도 일반 기호(symbol)로 처리합니다.
공백을 기본 토큰으로 처리하기 위해 SentencePiece는 먼저 메타기호 "_"(U+2581)로 공백을 이스케이프 처리합니다.Hello_World.그런 다음이 텍스트는 다음과 같이 작은 조각으로 나뉩니다.
[Hello] [_Wor] [Id] [.]Whitespace는 분리된 텍스트(segmented text)에서 유지되므로, 우리는 테스트를 해서(detokenize)할 수 있습니다(without any ambiguities).
detokenized = "join(pieces).replace('_','')표준 단어 세그먼터로 문장을 분할 할 때 공백을 특수기호로 취급하므로 동일한 무손실 변환을적용 할 수 없습니다.
토큰화 된 시퀀스는 원래 문장을 복원하는 데 필요한 정보를 보존하지 않습니다.
(en) Hello world. → [Hello] [World] [.] (A space between Hello and World)(ja) こんにちは世界。 → [こんにちは] [世界] [。] (No space between こんにちは and 世界)
Subword regularization
Subword regularization [Kudo.] NMT모델의 정확성과 견고성을 향상시 키는데 도움이되는 on-the-fly subword sampling으로 사실상 training data를 늘리는 간단한 정규화 방법입니다.Subword regularization을 활성화 하려면, SentencePiece library를 NMT system에 통합합니다. 또한 Standard off-line 데이터 준비와 다른, 각 매개변수 업데이트를 하나의 Segmentation을 샘플링 합니다.
여기에 Python library 예제가 있습니다. 'New York'은 SampleEncode를 호출할 때 마다 다르게 나뉩니다.
sampling parameter의 detail은 sentencepiece_processor.h에서 확인할 수 있습니다.
>>> import sentencepiece as spm
>>> s = spm.SentencePieceProcessor()
>>> s.Load('spm.model')
>>> for n in range(5):
... s.SampleEncodeAsPieces('New York', -1, 0.1)
...
['▁', 'N', 'e', 'w', '▁York']
['▁', 'New', '▁York']
['▁', 'New', '▁Y', 'o', 'r', 'k']
['▁', 'New', '▁York']
['▁', 'New', '▁York']Reference
- https://github.com/google/sentencepiece
댓글
댓글 쓰기