/ Модель

Характеристики

Контекст
512 токенов
Параметры
265 млн
Лицензия
afl-3.0
Архитектура
bert · dense
Опубликована
26 апр 2022

english-abusive-MuRIL

Классификация текстаТекст → label3 профессии

Англоязычная модель на основе MuRIL классифицирует текст как обычный или содержащий оскорбительную речь.

64скачиваний за 30 дней6лайковвеса обновлены19 мар 2023

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

Модель Hate-speech-CNERG/english-abusive-MuRIL предназначена для выявления оскорбительной речи на английском языке. Это дообученная для классификации последовательностей модель семейства BERT на основе MuRIL, обученная на датасете английской оскорбительной речи. Она относит текст к одному из двух классов: обычный или оскорбительный.

Модель подходит для автоматической модерации англоязычных сообщений и анализа текстов на оскорбления. Архитектура содержит около 264,8 млн параметров, контекст ограничен 512 токенами. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия — AFL-3.0.

Сценарии применения

  • фильтрация оскорбительных комментариев на английском языке
  • модерация англоязычных публикаций и сообщений
  • поиск оскорбительной речи в пользовательских отзывах

Ограничения

Модель обучена для английского языка и различает только два класса — обычный и оскорбительный текст. Контекст ограничен 512 токенами; качество на других языках и типах данных в карточке не описано.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

This model is used detecting abusive speech in English. It is finetuned on MuRIL model using English abusive speech dataset. The model is trained with learning rates of 2e-5. Training code can be found at this url

LABEL_0 :-> Normal LABEL_1 :-> Abusive

For more details about our paper

Mithun Das, Somnath Banerjee and Animesh Mukherjee. "Data Bootstrapping Approaches to Improve Low Resource Abusive Language Detection for Indic Languages". Accepted at ACM HT 2022.

Please cite our paper in any published work that uses any of these resources.

@article{das2022data,
  title={Data Bootstrapping Approaches to Improve Low Resource Abusive Language Detection for Indic Languages},
  author={Das, Mithun and Banerjee, Somnath and Mukherjee, Animesh},
  journal={arXiv preprint arXiv:2204.12543},
  year={2022}
}

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
BertForSequenceClassification
Ревизия весов
ac6434a

0 моделей