HSE-advanced level NLP- 1.1 Text

2020-06-01 本文已影响0人快乐自由拉菲犬

分词对于英语而言，是比较容易的，毕竟每个词之间都是space or punctuation.
但是其他语言可能就没这么方便了，比如德语、日语、中文。期间没有明显的spaces.

尤其是日语，压根没有空格at all.

虽然这样，对于人类而言，却毫无难度。

token: you can think it as a useful unit for semantic processing

可见，这些tokens don't make any sense n't

所以tokenization如要让tokens具有意义。