LLMs-from-scratch项目中的文本分词技术解析
2025-05-01 14:16:19作者:韦蓉瑛
在自然语言处理领域,文本分词是一个基础而重要的预处理步骤。本文将以LLMs-from-scratch项目中的文本分词实现为例,深入探讨正则表达式在文本处理中的应用技巧。
基础分词方法
项目最初展示了一个简单的分词方法,使用正则表达式将文本按标点符号和空白字符分割:
import re
text = "Hello, world. This, is a test."
result = re.split(r'([,.]|\s)', text)
这种方法能够将文本分割为单词和标点符号,但会产生一些空白项,需要通过后续处理过滤掉。
改进的分词技术
为了处理更复杂的文本情况,项目进一步展示了增强版的正则表达式:
text = "Hello, world. Is this-- a test?"
result = re.split(r'([,.?_!"()\']|--|\s)', text)
result = [item.strip() for item in result if item.strip()]
这个版本能够处理更多类型的标点符号,包括连字符(--),并通过列表推导式清理结果中的空白项。
高级分词技巧
在讨论中,社区贡献了更强大的分词方案,使用regex库(而非标准re库)和更复杂的正则表达式:
import regex
text = "Hello, world. Is this-- a test?"
result = regex.split(r'(--|[[:punct:]]|\s)', text)
这种方法利用[[:punct:]]
字符类匹配所有标点符号,使表达式更加简洁。更进一步,还有保留单词中连字符和撇号的方案:
preprocessed = regex.split(r"([[:punct:]](?<![-'])|--|(?<=\s)'|'(?=\s)|\s+)", raw_text)
这个复杂的正则表达式使用了负向回溯断言((?<![-'])
)等高级特性,确保不分割像"don't"这样的缩写词中的撇号。
技术选型考量
在实际应用中,选择分词方法需要考虑:
- 简单性:基础方法易于理解和实现
- 全面性:高级方法能处理更多边缘情况
- 性能:复杂正则表达式可能影响处理速度
- 特定需求:如是否需要保留特定字符
值得注意的是,在现代大型语言模型(LLM)中,通常会使用更先进的子词分词技术(如Byte Pair Encoding),但理解这些基础分词技术对于深入掌握NLP预处理流程仍然非常重要。
总结
文本分词作为NLP预处理的关键步骤,其实现方式多种多样。从简单的正则表达式到复杂的模式匹配,开发者需要根据具体应用场景选择合适的方法。LLMs-from-scratch项目通过逐步展示不同复杂度的实现,为学习者提供了很好的技术演进视角。
登录后查看全文
热门项目推荐
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
- QQwen3-Coder-480B-A35B-InstructQwen3-Coder-480B-A35B-Instruct是当前最强大的开源代码模型之一,专为智能编程与工具调用设计。它拥有4800亿参数,支持256K长上下文,并可扩展至1M,特别擅长处理复杂代码库任务。模型在智能编码、浏览器操作等任务上表现卓越,性能媲美Claude Sonnet。支持多种平台工具调用,内置优化的函数调用格式,能高效完成代码生成与逻辑推理。推荐搭配温度0.7、top_p 0.8等参数使用,单次输出最高支持65536个token。无论是快速排序算法实现,还是数学工具链集成,都能流畅执行,为开发者提供接近人类水平的编程辅助体验。【此简介由AI生成】Python00
- KKimi-K2-InstructKimi-K2-Instruct是月之暗面推出的尖端混合专家语言模型,拥有1万亿总参数和320亿激活参数,专为智能代理任务优化。基于创新的MuonClip优化器训练,模型在知识推理、代码生成和工具调用场景表现卓越,支持128K长上下文处理。作为即用型指令模型,它提供开箱即用的对话能力与自动化工具调用功能,无需复杂配置即可集成到现有系统。模型采用MLA注意力机制和SwiGLU激活函数,在vLLM等主流推理引擎上高效运行,特别适合需要快速响应的智能助手应用。开发者可通过兼容OpenAI/Anthropic的API轻松调用,或基于开源权重进行深度定制。【此简介由AI生成】Python00
2025百大提名项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。00note-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。TSX02GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。04
热门内容推荐
1 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析2 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析3 freeCodeCamp音乐播放器项目中的函数调用问题解析4 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 5 freeCodeCamp博客页面工作坊中的断言方法优化建议6 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析7 freeCodeCamp论坛排行榜项目中的错误日志规范要求8 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析9 freeCodeCamp课程页面空白问题的技术分析与解决方案10 freeCodeCamp课程视频测验中的Tab键导航问题解析
最新内容推荐
左手Annotators,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手controlnet-openpose-sdxl-1.0,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手ERNIE-4.5-VL-424B-A47B-Paddle,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手m3e-base,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手SDXL-Lightning,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手wav2vec2-base-960h,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手nsfw_image_detection,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手XTTS-v2,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手whisper-large-v3,右手GPT-4:企业AI战略的“开源”与“闭源”之辩 左手flux-ip-adapter,右手GPT-4:企业AI战略的“开源”与“闭源”之辩
项目优选
收起

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
713
459

React Native鸿蒙化仓库
C++
143
226

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
306
1.04 K

openGauss kernel ~ openGauss is an open source relational database management system
C++
105
161

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
367
357

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
53
15

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
116
255

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.02 K
0

基于仓颉编程语言构建的 LLM Agent 开发框架,其主要特点包括:Agent DSL、支持 MCP 协议,支持模块化调用,支持任务智能规划。
Cangjie
591
47

前端智能化场景解决方案UI库,轻松构建你的AI应用,我们将持续完善更新,欢迎你的使用与建议。
官网地址:https://matechat.gitcode.com
706
97