登录
推荐 文章 Go 技术 课程 下载 专题 AI
首页 >  科技周边 >  人工智能

Transformers BatchEncoding.word_ids 怎样关联子词与原始单词位置

来源:17golang原创

时间:2026-11-18 12:46:37 462浏览 收藏

在 fast tokenizer 返回的 BatchEncoding 上调用 word_ids(batch_index=样本下标),即可得到与该样本 token 位置对应的单词索引列表。同一个单词拆出的多个子词会重复同一个索引;没有对应单词的特殊位置返回 None。若已经有人工分词或词级标签,应传入单词列表并设置 is_split_into_words=True,明确你要对齐的单词边界。

官方文档:https://huggingface.co/docs/transformers/main_classes/tokenizer

先保留原始单词列表的边界

做词级标注时,我会先保留“每条样本有哪些词”,再考虑 token 的数量。原因很直接:一个词可能拆成多个 token,模型输入位置不能直接当作词标签位置。这里分享的是实现上的选择,不是某次训练结果或性能结论。

已经分好的词列表需要显式设置 is_split_into_words=True;原始字符串也可以分词,但其词边界由 tokenizer 的预分词逻辑决定,不保证与业务词表一致,尤其不能把中文输入默认理解成已经完成业务分词。

原始单词和子词映射的静态关联
原创结构图:原词列表和 token 编码分别分组,word_ids 连接两类位置,不代表实际分词输出。

逐个样本读取 token 与 word_id

from transformers import AutoTokenizer

# 使用支持对齐信息的 fast tokenizer;首次加载可能下载分词器文件。
tokenizer = AutoTokenizer.from_pretrained("bert-base-cased", use_fast=True)
if not tokenizer.is_fast:
    raise RuntimeError("此示例需要 fast tokenizer")

# 每个内层列表是一条样本,元素顺序就是原始单词位置。
words_batch = [["Mira", "reorganized", "files"], ["The", "dashboard", "loaded"]]
encoded = tokenizer(
    words_batch,
    is_split_into_words=True,
    padding=True,
    truncation=True,
    max_length=32,
)
for batch_index, words in enumerate(words_batch):
    # batch_index 选择样本,不能省略后拿首条映射套用整个批次。
    word_ids = encoded.word_ids(batch_index=batch_index)
    tokens = encoded.tokens(batch_index=batch_index)
    for token, word_id in zip(tokens, word_ids):
        source = None if word_id is None else words[word_id]
        print(batch_index, token, word_id, source)

示例只加载分词器,不加载模型,不进行训练。具体子词拆分应以所用词表返回为准,本文不预设某个单词一定拆成几段,也没有把示例描述为已执行记录。

batch_index 是批次内样本下标,默认值为 0。每条样本都要读取自己的映射,再用该映射回到自己的单词列表。word_id 的 0 表示第一个单词,是有效值;判断特殊位置必须比较是否为 None,不能使用“值为假”的判断把 0 也排除。

把单词标签关联到子词位置

如果每个原词只有一个标签,我倾向于先采用“仅首个子词监督”的简单策略,方便检查每个词在损失中出现一次。后续子词和特殊位置填 -100,是官方 token classification 教程采用的忽略标签方式;仍需确认自己的损失函数使用相同约定。word_ids 提供位置关联,并不会替你选择监督策略。

# 示例标签只用于说明位置关联,类别编码由具体任务定义。
word_labels = [[1, 0, 0], [0, 0, 0]]
aligned_labels = []
for batch_index, labels in enumerate(word_labels):
    ids = encoded.word_ids(batch_index=batch_index)
    sample_labels = []
    previous = None
    for word_id in ids:
        # 特殊位置和同词的后续子词不参与此处的监督。
        if word_id is None or word_id == previous:
            sample_labels.append(-100)
        else:
            sample_labels.append(labels[word_id])
        previous = word_id
    aligned_labels.append(sample_labels)
encoded["labels"] = aligned_labels

这段代码接在上面的示例后使用,仅处理单句批次。每条词标签列表必须与相应原始单词列表等长。若想让所有子词都参与监督,需要另行定义标签传播;BIO 标签尤其不能简单重复起始标签。这个选择影响任务语义,不能靠 word_ids 自动决定。

单词标签与模型标签位置的关系
原创说明图:word_id 关联词级标签与 token 位置,None 和重复子词按示例策略使用忽略标签。

处理特殊位置、截断和句对

情况如何理解处理方式
多个位置的 word_id 相同同一原词对应多个子词按任务选择首子词或完整传播
word_id 为 None没有对应原词的位置不用于索引原词标签
批次映射看起来重复可能总在读取样本 0显式传 batch_index
末尾单词未出现在映射中编码可能被截断结合实际编码长度和截断设置判断

padding=True 会补齐批内序列;填充位置没有原词可关联。truncation=True 则意味着映射只覆盖保留的 token,不能把它当作完整原文的反向索引。若启用溢出窗口,还需另外维护编码窗口与原始样本的对应关系,本例没有启用该模式。

句对输入需要同时考虑 sequence_ids:它区分第一段、第二段及特殊位置。只凭 word_id 无法可靠区分它属于哪一段,所以本例的“与上一个 word_id 比较”策略不能原样套用句对,应把序列归属一并纳入判断。

word_id 是词表里的 token ID 吗?

不是。input_ids 是模型词表编号,word_ids 是 token 对应的原词位置,两者用途不同。

换成普通 Python tokenizer 也能直接调用吗?

这类对齐能力依赖 fast tokenizer 的底层编码信息。应先检查 is_fast;换一个不支持的实现,不会因为返回对象仍像字典就自动获得映射。

能用 word_ids 找字符区间吗?

它直接返回词位置。需要字符范围时,应使用对应的字符对齐方法,不能把词索引当字符偏移。

参考:BatchEncoding API、词元分类与标签对齐教程。

声明:本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
相关阅读
更多>
最新阅读
更多>
课程推荐
更多>