文档摘要

03 分词与文本预处理 分词（Tokenization）把连续文本切成词或子词单元，是文本预处理的入口；BPE 子词切分成了现代 NMT 的默认动作，因为它能在"不炸词表"和"不伤低频词"之间取得平衡。 本文从三种主流切分方式讲起，给出一段可运行的 BPE 概念示例，再解释"为什么要切、切错会有什么后果"。 一句话先点题：机器看到的不是字，是"单元序列" 模型不能直接把一串字符塞进网络。 会员。《分词与文本预处理》收录于灏天文库文集《机器翻译技术原理与实现》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/491-%E6%9C%BA%E5%99%A8%E7%BF%BB%E8%AF%91%E6%8A%80%E6%9C%AF%E5%8E%9F%E7%90%86%E4%B8%8E%E5%AE%9E%E7%8E%B0

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流