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。

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。

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。
-
243 收藏
-
284 收藏
-
387 收藏
-
328 收藏
-
426 收藏
-
175 收藏
-
476 收藏
-
316 收藏
-
212 收藏
-
334 收藏
-
301 收藏
-
313 收藏
-
294 收藏
-
195 收藏
-
403 收藏
-
230 收藏
-
231 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 立即学习 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 立即学习 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 立即学习 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 立即学习 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 立即学习 485次学习