【西湖大学 张岳老师｜自然语言处理在线课程 第十六章 - 4节】BPE（Byte-Pair Encoding）编码
如果有一个字符串aabaadaab，对其执行BPE算法
因为字符对aa出现频率最高，因此将其替换为码Z，这时原字符串变为ZbZdZb
此时字符对Zb出现频率最高，将其替换为码Y，此时原字符串变为YZdY
此时字符串中所有字符对频率都一样，都是一次。
利用BPE算法做子词切分需要两个步骤：
- 利用一个大的corpus建立一个子词表（subword vocabulary）以及字节对（token pairs）。
- 利用这个子词表和字节对来对新的语料进行子词切分。
首先是第一个任务：
这里首先子词表中应该包含所有的单个字符，随后我们在corpus中寻找出现频率最高的subword pair，这里是st出现了3+4+1=8次。
将s,t这个subword pair计入token pair表格中，并将他们组合后添加到子词表中，再次寻找出现频率最高的子词对。
同上，e,st为出现频率最高的subword pair，继续添加出现频率最高的子词对。
在添加过be这个子词对后，剩下在corpus的子词对中的子词频率都是一次，因此结束运算。
我们将subword pair表按照频率降序排序，随后对新词按照表格中频率由高到低进行分词。
如果我们对best这个词进行子词切分：
- 首先得到b，e，s，t四个子词，接着在token pair表格中进行匹配，发现s,t的子词对组合频率最高，因此将其合并。
- 得到了b，e，st这三个子词，我们继续在token pair进行匹配，发现e,st的子词对组合频率最高，因此将其合并。
- 得到了b，est这两个子词，随后token pair中没有可以匹配的对象，切分完成。
为了能够还原子词，我们在b后加两个@@，因此best被切分为b@@ + est这两个子词。每当我们还原时，遇到一个以@@结尾的子词，我们将其与后面的子词合并，并去掉@@符号，最终子词序列中没有@@符号为止，即还原了原词序列。
利用subword-nmt实现bpe算法
github subword-nmt
使用pip进行安装：pip install subword-nmt
:~/nlp/token$ subword-nmt learn-bpe -s 32000 < en.tc > en.cds &
:~/nlp/token$ subword-nmt learn-bpe -s 32000 < zh.tok > zh.cds &
-s后是学习的词数量，en.tc、zh.tok分别为上一节处理后的英文、中文文本，en.cds、zh.cds是输出文件。
查看学习到的zh.cds文件：
之后我们可以用apply-bpe利用规则文件对corpus进行切分：
:~/nlp/token$ subword-nmt apply-bpe -c zh.cds < zh.tok > zh.bpe
运行后我们查看zh.bpe文件：
我们可以看到3377被拆成了33@，77以及横行被拆成了横@行，我们统计拆分前后的词表中词的数量：
#vcb.py
#encoding: utf-8
import sys
def count(srcf):
vcb={}#创建一个空字典
with open(srcf,"rb") as frd:
for line in frd:
tmp = line.strip()
if tmp:
for word in tmp.decode("utf-8").split():#利用split()将每行的词提取出来
vcb[word] = vcb.get(word,0) + 1#字典的get方法，如果vcb[word]存在就取值，若不存在返回0
#统计每个子词出现的频次
return vcb
if __name__=="__main__":
print(len(count(*sys.argv[1:])))#len为出现的不同子词的个数
在命令行输入：
:~/nlp/token$ python vcb.py zh.bpe
43050
:~/nlp/token$ python vcb.py zh.tok
630306
可以看到执行bpe算法后，词表大小被大大减少。
进一步缩减bpe算法产生的词表
在zh.bpe文件中，会有很多低频的、只出现一次或两次的词，例如 “非洲统一组织“ ，若拆成 “非洲”、“统一”、“组织”，则这三个词每个词的频率都会高于拆之前的词。
因此我们需要统计每个子词的频率来决定阈值：
:~/nlp/token$ subword-nmt get-vocab < zh.bpe > zh.vcb
:~/nlp/token$ tail zh.vcb
不伦@@ 1
® 1
‹ 1
ƒ 1
布拉柴@@ 1
別@@ 1
煦 1
檀 1
皙 1
堺 1
查看文件的尾部，发现很多子词的频率为1，只出现过一次。
:~/nlp/token$ subword-nmt apply-bpe -c zh.cds --vocabulary zh.vcb --vocabulary-threshold 8 < zh.tok > zh.bpe
对词表设置阈值为8后，重新得到新的bpe算法处理后的文件，再次统计词表的长度：
:~/nlp/token$ python vcb.py zh.bpe
42590
可以看到，由于词频低于8的词都被过滤掉，词表被进一步缩减。