Wordpiece

Definition 定义

WordPiece：一种常用于自然语言处理（NLP）的子词切分/分词方法，把单词拆成更小的“子词单元”（subword units），以便模型处理生僻词、词形变化和未登录词（OOV）。常见于现代语言模型的分词器中。（也可泛指“单词的一部分/词片段”，但最常见用法是指该算法与其生成的子词。）

Pronunciation 发音

/ˈwɝːd.piːs/

Etymology 词源

由 word（词、单词）+ piece（片、块）构成的复合词，字面意思是“单词的片段”。在计算语言学语境中，它被用作专有名词，指一种把词拆成“更小片段”的子词建模思路与实现。

Examples 例句

WordPiece breaks rare words into smaller units so the model can still understand them.
WordPiece 会把罕见词拆成更小的单元，这样模型仍然能理解它们。

In our pipeline, we train a WordPiece vocabulary and tokenize all texts before feeding them into the transformer.
在我们的流程中，我们先训练一个 WordPiece 词表，并在送入 Transformer 之前对所有文本进行 WordPiece 分词。

Related Words 相关词

• Tokenization
• Subword
• Tokenizer
• Vocabulary
• Morpheme
• Stemming
• Lemmatization
• Byte-pair Encoding

Literary Works 文学作品

• BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding（Devlin et al.）——描述使用 WordPiece 分词的经典论文
• Google’s Neural Machine Translation System: Bridging the Gap between Human and Machine Translation（Wu et al.）——讨论子词单元与相关分词策略的代表性论文
• SentencePiece: A simple and language independent subword tokenizer and detokenizer for Neural Text Processing（Kudo & Richardson）——常与 WordPiece 放在一起比较与讨论的分词研究作品