NLP基础（分词）：BPE 算法

导读：在自然语言处理（NLP）领域，分词是文本预处理中的一个关键步骤。分词的目的是将文本分解成有意义的单元，以便模型能够更好地理解和处理。传统的分词方法通常基于固定词汇表，如基于单词的分词。然而，这种方法在处理未知单词和稀有单词时存在局限性。为了解决这一问题，BPE算法应运而生。BPE算法是一种基于子词（subword）的分词方法，能够将单词分解成更小的子词单元，从而提高模型的泛化能力和灵活性。

1

算法原理

BPE（Byte Pair Encoding） 算法是一种基于频率的子词分割方法，其核心思想是将单词分解成更小的子词单元，这些子词单元可以是完整的单词、单词的前缀、后缀或中间部分。这种方法在处理未知单词和稀有单词时特别有效，因为它可以将这些单词分解成已知的子词单元，从而提高模型的泛化能力。

2

实现步骤

假设我们有一个训练语料 D，其中每个单词 w 由字符序列 w=c1,c2,…,cn组成。BPE 算法的目标是构建一个子词词汇表 V，使得每个单词 w 可以被分割成子词单元 w=v1,v2,…,vm，其中 vi∈V。

step 1 : 初始化词汇表

将所有字符（Unicode）作为初始词汇表的基本单元。

step 2 : 统计字符对频率

对训练语料中的每个单词，统计相邻字符对的出现频率。

step 3 : 合并最频繁字符对

将最频繁的字符对作为一个新单元加入词汇表，并更新训练语料中的分割方式。

其中,cici+1 是在 Vt 中最频繁的字符对。

step 4 : 更新训练语料

重复上述过程，直到词汇表大小达到预设值 ∣V ∣=K。

假设有一个简单的训练语料库，包含以下单词及其频率：

{'hug': 10, 'pug': 5, 'pun': 12, 'bun': 4, 'hugs': 5}

每次迭代的结果示例如下：

3

python实现

下面通过python代码实现上述示例：

from collections import defaultdict, Counter

def get_stats(vocab):
    """统计字符对的频率"""
    pairs = defaultdict(int)
    for word, freq in vocab.items():
        symbols = word.split()
        for i in range(len(symbols) - 1):
            pairs[symbols[i], symbols[i+1]] += freq
    return pairs

def merge_vocab(pair, vocab_in):
    """合并字符对并更新词汇表"""
    vocab_out = {}
    bigram = ' '.join(pair)
    replacement = ''.join(pair)
    for word in vocab_in:
        w_out = word.replace(bigram, replacement)
        vocab_out[w_out] = vocab_in[word]
    return vocab_out

def bpe(vocab, num_merges):
    """执行 BPE 迭代"""
    print("Initial vocab:")
    print(vocab)
    print("\n")

    for i in range(num_merges):
        pairs = get_stats(vocab)
        if not pairs:
            break

        # 找到最频繁的字符对
        best_pair = max(pairs, key=pairs.get)
        print(f"Iteration {i+1}: Merging {best_pair} with frequency {pairs[best_pair]}")

        # 合并字符对并更新词汇表
        vocab = merge_vocab(best_pair, vocab)
        print("Updated vocab:")
        print(vocab)
        print("\n")

    return vocab

# 初始词汇表
vocab = {
    'h u g': 10,
    'p u g': 5,
    'p u n': 12,
    'b u n': 4,
    'h u g s': 5
}

# 执行 BPE，假设进行 3 次合并
final_vocab = bpe(vocab, num_merges=3)

得到结果如下：

4

优缺点

优势：通过数据驱动的方式有效平衡词汇表大小与未登录词问题。它能够将罕见词拆解为高频子词组合（如将“hugs”分解为“hug”和“s”），既压缩了词表规模，又提升了模型对未知词汇的泛化能力，尤其适用于形态丰富的语言或需要处理复合词的场景。无需依赖语言学规则的特点，在多语言任务中表现灵活，例如机器翻译中可统一处理不同语言的子词单元。

局限性：由于完全依赖统计频率，合并顺序的敏感性可能导致结果不稳定（如优先合并“u-g”而非“h-u”会生成不同子词），且生成的子词可能缺乏明确的语义解释性（如“ug”单独无意义）。此外，低频字符对的覆盖不足可能导致长尾词汇仍需以原子形式存在，而合并次数的设定依赖人工经验，需反复调参才能达到理想效果。

另外，BPE可以用于中文，但需要针对中文的语言特性进行适配。中文以汉字为基本单位，每个汉字本身具有独立语义，BPE可通过统计高频共现的汉字组合（如“中国”“北京”）生成子词，既能压缩词表规模（如从数万汉字减少到数千子词），又能解决未登录词问题（如将新词“元宇宙”拆解为“元”+“宇宙”）。然而，中文没有天然的空格分隔，BPE需以单字为起点逐步合并，可能产生无意义子词（如“的的”合并为冗余单元）或割裂语义连贯的固定搭配（如“巧克力”被拆为“巧”+“克力”）。实际应用中，BPE常与预分词技术结合，或通过限制子词长度、调整合并优先级来平衡效率与语义完整性，在机器翻译、预训练模型（如中文BERT）等场景中已得到有效验证。

参考文献：

1、Zouhar, V., Meister, C., Gastaldi, J. L., Du, L., Vieira, T., Sachan, M., & Cotterell, R. (2024). A Formal Perspective on Byte-Pair Encoding. arXiv preprint arXiv:2306.16837.

2、Lian, H., et al. (2024). Scaffold-BPE: Enhancing Byte Pair Encoding with Simple and Effective Scaffold Token Removal. arXiv preprint arXiv:2404.17808.

3、Sennrich, R., Haddow, B., & Birch, A. (2015). Neural Machine Translation of Rare Words with Subword Units. arXiv preprint arXiv:1508.07909.

后台回复“BPE”可免费获得上述论文和代码