使用 spacy 通过令牌 ID

问题描述

我正在使用 spacy 3.0 使用转换器模型对文本进行矢量化。由于数据隐私的原因，矢量化必须在与训练模型的机器不同的机器上。为了减少我生成的数据量以及必须在机器之间传输的数据量，我像这样提取文本的令牌 ID：

import spacy
nlp = spacy.load("de_dep_news_trf")
doc = nlp("Eine Bank steht im Park.")
print(doc._.trf_data.tokens["input_ids"])

哪个返回

tensor([[    3,917,2565,1302,106,3087,26914,4]])

现在有了 id，是否可以使用 spacy 从语言模型 (de_dep_news_trf) 中提取正确的张量？

解决方法

不幸的是，这是不可能的。问题在于 Transformer 模型为上下文上的各个标记生成嵌入。意思是，如果您在两个不同的句子中使用相同的 token_id，则它们可能具有（显着）不同的嵌入。唯一的方法是返回与每个标记关联的张量，但您不能仅根据 input_ids 生成它们。