/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Базовая модель
distilbert-base-uncased
Опубликована
14 фев 2024

distilbert-cross-segment-document-chunking

Классификация текстаТекст → label6 профессий

Дообученная англоязычная DistilBERT классифицирует соседние предложения, чтобы находить границы разделов и разбивать документы на фрагменты.

39скачиваний за 30 дней7лайковвеса обновлены27 фев 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

BlueOrangeDigital разработала эту модель на основе DistilBERT и дообучила её классифицировать пары соседних предложений из английской Википедии: относятся ли они к разным разделам статьи. Её предназначение — находить границы между тематическими фрагментами и разбивать документы на связные части.

Модель принимает текстовую пару в формате «правый контекст [SEP] левый контекст» и выдаёт класс классификации. Контекст ограничен 512 токенами; для каждого из двух фрагментов отводится до 255 токенов, а более длинные предложения обрезаются. Обучение проводилось на парах предложений из 40 тысяч статей Википедии; на валидации указаны accuracy 0,85 и F1 0,85.

Модель подходит для сегментации англоязычных документов, похожих по структуре на статьи Википедии. Качество на других жанрах и языках не подтверждено, а ограничение контекста может влиять на обработку длинных предложений. Лицензия — Apache-2.0.

Сценарии применения

  • разбиение статей Википедии на тематические фрагменты
  • поиск границ между разделами документа
  • сегментация англоязычных текстов по смене темы

Ограничения

Обучена на данных Википедии, поэтому качество на других жанрах и языках не подтверждено. Контекст ограничен 512 токенами, причём каждому фрагменту пары отводится до 255 токенов.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DistilBERT Cross Segment Document Chunking

This model is a fine-tuned version of distilbert-base-uncased for classifying if two subsequent sentences are from the same Wikipedia article section. Intended usage is text segmantation/document chunking. It is based on the article Text Segmentation by Cross Segment Attention by Michal Lukasik, Boris Dadachev, Gonc¸alo Simoes and Kishore Papineni.

How to use it

One way to use this model is via the HuggingFace transformers TextClassificationPipeline class.

from transformers import (
    AutoModelForSequenceClassification,
    DistilBertTokenizer,
    TextClassificationPipeline
)

model_name = "BlueOrangeDigital/distilbert-cross-segment-document-chunking"

id2label = {0: "SAME", 1: "DIFFERENT"}
label2id = {"SAME": 0, "DIFFERENT": 1}

tokenizer = DistilBertTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(
    model_name,
    num_labels=2,
    id2label=id2label,
    label2id=label2id
)

pairs = [
    "Left context. [SEP] Right context.",
    "They have 6 grandchildren. [SEP] Ane is currently coaching Crestwood High School's Boys Varsity Soccer.",
]
pipe = TextClassificationPipeline(model=model, tokenizer=tokenizer, return_all_scores=True)

pipe(pairs)

[[{'label': 'SAME', 'score': 0.986},
  {'label': 'DIFFERENT', 'score': 0.015}],
 [{'label': 'SAME', 'score': 0.212},
  {'label': 'DIFFERENT', 'score': 0.788}]]

Training Data

Sentences pairs from 40,000 (train) + 4,000 (validation) Wikipedia articles. Label 1: Two subsequent sentences that are not from the same article section; Label 0: Every other pair of subsequent sentences.

Label 0 pairs were undersampled, resulting in a total of 408,753 and 45,417 training and validation pairs, respectively.

The input of the model are of the form

[CLS] Right context [SEP] Left context [SEP]

Given DistilBERT 512 token limit, both right and left context are limited to 255 token length. When exceeding this limit, the sentence was truncated (either the beggining or the end of the sentence, for right and left context, respectively).

Trainig Procedure

The model was trained for 2 epochs with a learning rate of 1e-5 and cross-entropy loss on a P100 GPU for 8 hours.

Validation Metrics

LossAccuracyRecallPrecisionF1
0.340.850.850.860.85

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DistilBertForSequenceClassification
Ревизия весов
14bc4e3

0 моделей