nlp - 如何使用转换器模型获取词汇外单词的词嵌入？

Question

当我尝试使用 bio_clinical bert 获取句子的词嵌入时，对于 8 个词的句子，我得到了 11 个标记 ID(+开始和结束)，因为“嵌入”是词汇外的词/标记，它被拆分为em , bed , ding , s .
我想知道除了计算这些向量的平均值之外，是否有任何可用的聚合策略有意义。

from transformers import AutoTokenizer, AutoModel
# download and load model
tokenizer = AutoTokenizer.from_pretrained("emilyalsentzer/Bio_ClinicalBERT")
model = AutoModel.from_pretrained("emilyalsentzer/Bio_ClinicalBERT")

sentences = ['This framework generates embeddings for each input sentence']


#Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, max_length=128, return_tensors='pt')


#Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)

print(encoded_input['input_ids'].shape)

输出: torch.Size([1, 13])

for token in encoded_input['input_ids'][0]:
      print(tokenizer.decode([token]))

输出:

[CLS]
this
framework
generates
em
##bed
##ding
##s
for
each
input
sentence
[SEP]

Answer 1

据我所知，平均聚合是这里最常用的工具，实际上甚至有科学文献，经验表明它运作良好:
Generalizing Word Embeddings using Bag of Subwords赵、穆加尔和梁。公式 1 也准确描述了您的提议。
理论上您可以采用的一种替代方法是对整个输入进行平均聚合，本质上是对所有单词进行“上下文预测”(可能除了“embeddings”)，因此模拟类似于 [MASK] 的东西。在变压器模型的训练期间。但这只是我的建议，没有任何科学证据证明它有效(无论好坏)。