NLP masked_tokens[]、token_masks[]是什么？

1、masked_tokens[]、token_masks[]介绍 

masked_tokens和token_masks两个列表用于存储mask处理后的token（分词）结果和对应的mask标志。

• masked_tokens列表存储经过mask处理后的分词结果。

• token_masks列表存储与每个分词结果对应的mask标志。

2、示例说明：

例如一个 masked_tokens[0]是：

['C', 'N', '[C@H]', '(', 'c', '1', 'c', 'c', '(', 'Br', ')', 'c', 'c', 'c', '1', 'F', ')', '<MASK>', '(', '<MASK>', '<MASK>', '<MASK>', 'C', '1']

token_masks[0]是：

[False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, False, True, False, True, True, True, False, False]

它们的长度都是28 

3、代码示例：

下面代码就是先对句子进行了token处理，然后进行了mask处理：

# 通过正则匹配对第一个句子（sents1）进行分词，得到tokens。
tokens = self._regex_match(sents1)
# 对tokens进行mask处理
m_tokens, token_masks = self._mask_tokens(tokens, empty_mask=mask)

4、mask的类型

span mask

    def _mask_span(self, ts):curr_token = 0masked = []token_mask = []mask_bools = [True, False]weights = [self.mask_prob, 1 - self.mask_prob]sampled_mask = random.choices(mask_bools, weights=weights, k=len(ts))while curr_token < len(ts):# If mask, sample from a poisson dist to get length of maskif sampled_mask[curr_token]:mask_len = torch.poisson(torch.tensor(self.span_lambda)).long().item()masked.append(self.mask_token)token_mask.append(True)curr_token += mask_len# Otherwise don't maskelse:masked.append(ts[curr_token])token_mask.append(False)curr_token += 1return masked, token_mask

随机对某些位置进行mask，从泊松区取样得到mask的长度，mask前后序列的长度可能会发生变化

replace mask

    def _mask_replace(self, ts):mask_bools = [True, False]weights = [self.mask_prob, 1 - self.mask_prob]token_mask = random.choices(mask_bools, weights=weights, k=len(ts))masked = [self._mask_token(ts[i]) if m else ts[i] for i, m in enumerate(token_mask)]return masked, token_mask

根据权重Weight随机对某些位置进行mask，mask前后序列的长度不会发生变化

权重Weight：例如，如果设定 self.mask_prob = 0.7，则掩码标记 True 的权重为 0.7，掩码标记 False 的权重为 0.3