How does SentencePieceBPETokenizer choose tokens from dataset during training?

I have a dataset containing approximately 30 million Cantonese (a variant of Chinese language) sentences. From my implementation of SentencePieceBPETokenizer, I have added a pre-tokenizer which splits Cantonese characters into words. Unlike English, Cantonese or Chinese language does not use spaces to separate words; these languages combine multiple Cantonese/Chinese characters into a word (vocabulary).

The pre-tokenizer works fine and correctly segments a sentence into various words (vocabulary), such as:

我哋今日去睇陳奕迅演唱會 --> ['我哋', '今日', '去', '睇', '陳奕迅', '演唱會']

(The sentence translates to: “We go to watch Eason Chan’s concert today.” p.s. Eason Chan (陳奕迅) is a Hong Kong-based singer.)

However, after training with the codes below, the sentence is incorrectly tokenized to:

['我哋', '今日', '去', '睇', '陳', '<unk>', '<unk>', '演唱會']

which the singer’s name is not in the token list.

After noticing this issue, I searched the dataset to check how many occurrences of the term “陳奕迅” exist.

  • 陳:135,557 occurrences (in the token list)
  • 奕:5,492 occurrences (not in the token list)
  • 迅:13,520 occurrences (not in the token list)
  • 陳奕迅:2,861 occurrences (not in the token list)

On the other hand, I study the term “演唱會” (means concert) too:

  • 演:136,425 occurrences (in the token list)
  • 唱:147,882 occurrences (in the token list)
  • 會:3,763,791 occurrences (in the token list)
  • 演唱:17,244 occurrences (in the token list)
  • 演唱會:16,206 occurrences (in the token list)

My question is: How does SentencePieceBPETokenizer choose tokens from the word-segmented dataset during training? As I set the min_frequency = 100, supposedly all words with a minimum of 100 occurrences should be added to the token list. The total number of tokens is 37,976, but the vocab_size is configured to 400,000, which should fit all possible tokens into the vocab list. How come the term “陳奕迅” does not appear in the list?

Here are my minimal training codes:

def get_training_corpus(batch_size=1000):
    for i in range(0, len(mega_list), batch_size):
        yield mega_list[i : i + batch_size]

from tokenizers import SentencePieceBPETokenizer

special_tokens = ["<unk>", "<pad>", "<cls>", "<sep>", "<mask>"]
tokenizer = SentencePieceBPETokenizer()
tokenizer.pre_tokenizer = PreTokenizer.custom(CantonesePreTokenizer())
tokenizer.train_from_iterator(
    get_training_corpus(),
    vocab_size = 400000,
    min_frequency = 100,
    special_tokens = special_tokens
)

which mega_list is a list of 30 million Cantonese sentences. The dataset is available here.

The logic is similar to this official example.

Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa Dịch vụ tổ chức sự kiện 5 sao Thông tin về chúng tôi Dịch vụ sinh nhật bé trai Dịch vụ sinh nhật bé gái Sự kiện trọn gói Các tiết mục giải trí Dịch vụ bổ trợ Tiệc cưới sang trọng Dịch vụ khai trương Tư vấn tổ chức sự kiện Hình ảnh sự kiện Cập nhật tin tức Liên hệ ngay Thuê chú hề chuyên nghiệp Tiệc tất niên cho công ty Trang trí tiệc cuối năm Tiệc tất niên độc đáo Sinh nhật bé Hải Đăng Sinh nhật đáng yêu bé Khánh Vân Sinh nhật sang trọng Bích Ngân Tiệc sinh nhật bé Thanh Trang Dịch vụ ông già Noel Xiếc thú vui nhộn Biểu diễn xiếc quay đĩa Dịch vụ tổ chức tiệc uy tín Khám phá dịch vụ của chúng tôi Tiệc sinh nhật cho bé trai Trang trí tiệc cho bé gái Gói sự kiện chuyên nghiệp Chương trình giải trí hấp dẫn Dịch vụ hỗ trợ sự kiện Trang trí tiệc cưới đẹp Khởi đầu thành công với khai trương Chuyên gia tư vấn sự kiện Xem ảnh các sự kiện đẹp Tin mới về sự kiện Kết nối với đội ngũ chuyên gia Chú hề vui nhộn cho tiệc sinh nhật Ý tưởng tiệc cuối năm Tất niên độc đáo Trang trí tiệc hiện đại Tổ chức sinh nhật cho Hải Đăng Sinh nhật độc quyền Khánh Vân Phong cách tiệc Bích Ngân Trang trí tiệc bé Thanh Trang Thuê dịch vụ ông già Noel chuyên nghiệp Xem xiếc khỉ đặc sắc Xiếc quay đĩa thú vị
Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa
Thiết kế website Thiết kế website Thiết kế website Cách kháng tài khoản quảng cáo Mua bán Fanpage Facebook Dịch vụ SEO Tổ chức sinh nhật