pytorch/text

Ignoring UNK words

Open

Aperta il 22 lug 2018

Vedi su GitHub
 (7 commenti) (0 reazioni) (0 assegnatari)Python (3396 star) (822 fork)batch import
enhancementhelp wanted

Descrizione

Cannot find the way to ignore UNK words when numericalising, i.e. instead by substituting them by a 0, it just ignore that word.

Is that implemented?

This is useful in classification problems, when you just want to remove 'UNK' words.

Guida contributor

Tech stack
python
Dominio
machine learningdata
Tipo issue
feature
DifficoltàQuanto dovrebbe essere impegnativa per un nuovo contributor.
3
Tempo stimatoTempo stimato per completare e verificare uno scope piccolo.
1-3 hours
Stato attivitàQuanto è probabile che la issue sia ancora attiva e reviewable.
stale
ChiarezzaQuanto chiaramente la issue descrive problema, scope e risultato atteso.
clear
Prerequisiti
Python basicsPyTorch basicsNLP concepts
Adatta ai principiantiQuanto la issue è adatta a contributor alla prima esperienza.
65
Direzione di ricerca
Look into the torchtext.data.Field class, specifically the numericalize method. The current behavior substitutes unknown words with 0; we need to add an option to ignore them by filtering out UNK tokens during numericalization. Check the file torchtext/data/field.py and the related function definitions. Discuss with maintainers if there is a preferred approach (e.g., adding a parameter like 'include unk').