arXiv · cs.CL· Pietro Di Nicco·· 3 天前AI 评分24
面向自然语言与结构化语料的自适应频率阈值 BPE 分词方法 AdaBPE
Adaptive Frequency Threshold Byte Pair Encoding for Mixed Natural Language and Structured Symbolic Corpora
来源与原文
arXiv · cs.CL
作者：Pietro Di Nicco
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.32921v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
研究者提出 AdaBPE（Adaptive Frequency Threshold Byte Pair Encoding），一种基于自适应频繁模式挖掘的分词方法，可根据候选 token 的长度和类型动态调整最小频率阈值。该方法能将词表容量高效分配给 LaTeX 等特定领域记法。在涵盖 LaTeX 与自然语言的五个数据集上，AdaBPE 在领域内容上提升了编码效率和下游语言模型性能，且不损害通用语言表现。
来源：arXiv · cs.CL · arxiv.org