bert-language-model - Huggingface BERT Tokenizer 添加新 token

Question

我正在将 Huggingface BERT 用于 NLP 任务。我的文本包含被分成子词的公司名称。

tokenizer = BertTokenizerFast.from_pretrained('bert-base-uncased')
tokenizer.encode_plus("Somespecialcompany")
output: {'input_ids': [101, 2070, 13102, 8586, 4818, 9006, 9739, 2100, 102], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1]}

现在我想将这些名称添加到标记器 ID 中，这样它们就不会被拆分。

tokenizer.add_tokens("Somespecialcompany")
output: 1

这将标记器的长度从 30522 扩展到 30523。
因此，所需的输出将是新 ID:

tokenizer.encode_plus("Somespecialcompany")
output: 30522

但是输出和之前一样:

output: {'input_ids': [101, 2070, 13102, 8586, 4818, 9006, 9739, 2100, 102], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1]}

所以我的问题是；将新 token 添加到标记器以便我可以将它们与 tokenizer.encode_plus() 和 tokenizer.batch_encode_plus() 一起使用的正确方法是什么？

Answer 1

我在 github 上打开了一个错误报告.显然我只需要将“special_tokens”参数设置为“True”。

tokenizer.add_tokens(["somecompanyname"], special_tokens=True)
output: 30522