hotchpotch/xlm-roberta-japanese-tokenizer

wikipedia jp~~, wikipedia en(サンプリング), cc-100(ja, サンプリング)~~(追記: 作成スクリプトを確認したところ、日本語wikipediaのみを利用していました)のデータを unidic で分割 + sentencepiece Unigram で学習した、XLM-Roberta 形式の日本語トークナイザ。