/ Модель

Характеристики

Контекст
514 токенов
Параметры
138 млн
Архитектура
camembert · dense

umberto-wikipedia-uncased-v1

Заполнение пропусковТекст → текст3 профессии

Итальянская RoBERTa/CamemBERT-модель для предсказания замаскированных слов и получения контекстных представлений текста.

134скачиваний за 30 дней7лайковвеса обновлены10 фев 2021

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

UmBERTo Wikipedia Uncased — языковая модель на архитектуре RoBERTa/CamemBERT, разработанная авторами из Musixmatch и обученная на итальянской Википедии. Это версия для заполнения пропусков в тексте: модель предсказывает замаскированные токены и формирует контекстные представления текста.

Модель содержит 137,8 млн параметров, использует токенизатор SentencePiece с словарём 32 тыс. токенов и Whole Word Masking. По метаданным, максимальная длина контекста составляет 514 токенов. Она предназначена для итальянского языка; в README также приведены результаты для распознавания именованных сущностей и определения частей речи, но для этих задач потребуются соответствующие downstream-головы или дообучение. Репозиторий содержит веса PyTorch.

README не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя. Модель обучалась на сравнительно небольшом корпусе итальянской Википедии, что может ограничивать её работу с текстами других жанров и областей.

Сценарии применения

  • предсказание пропущенного слова в итальянском тексте
  • получение контекстных представлений итальянских предложений
  • подготовка признаков для распознавания именованных сущностей на итальянском
  • подготовка признаков для определения частей речи в итальянском

Ограничения

Обучение проводилось на сравнительно небольшом корпусе итальянской Википедии, поэтому качество на других жанрах и специализированных текстах может быть ограничено. Лицензия в предоставленных материалах не указана.

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

UmBERTo Wikipedia Uncased

UmBERTo is a Roberta-based Language Model trained on large Italian Corpora and uses two innovative approaches: SentencePiece and Whole Word Masking. Now available at github.com/huggingface/transformers

Dataset

UmBERTo-Wikipedia-Uncased Training is trained on a relative small corpus (~7GB) extracted from Wikipedia-ITA.

Pre-trained model

ModelWWMCasedTokenizerVocab SizeTrain StepsDownload
umberto-wikipedia-uncased-v1YESYESSPM32K100kLink

This model was trained with SentencePiece and Whole Word Masking.

Downstream Tasks

These results refers to umberto-wikipedia-uncased model. All details are at Umberto Official Page.

Named Entity Recognition (NER)

DatasetF1PrecisionRecallAccuracy
ICAB-EvalITA0786.24085.93986.54498.534
WikiNER-ITA90.48390.32890.63898.661

Part of Speech (POS)

DatasetF1PrecisionRecallAccuracy
UD_Italian-ISDT98.56398.50898.61898.717
UD_Italian-ParTUT97.81097.83597.78498.060

Usage

Load UmBERTo Wikipedia Uncased with AutoModel, Autotokenizer:

import torch
from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("Musixmatch/umberto-wikipedia-uncased-v1")
umberto = AutoModel.from_pretrained("Musixmatch/umberto-wikipedia-uncased-v1")

encoded_input = tokenizer.encode("Umberto Eco è stato un grande scrittore")
input_ids = torch.tensor(encoded_input).unsqueeze(0)  # Batch size 1
outputs = umberto(input_ids)
last_hidden_states = outputs[0]  # The last hidden-state is the first element of the output
Predict masked token:
from transformers import pipeline

fill_mask = pipeline(
	"fill-mask",
	model="Musixmatch/umberto-wikipedia-uncased-v1",
	tokenizer="Musixmatch/umberto-wikipedia-uncased-v1"
)

result = fill_mask("Umberto Eco è <mask> un grande scrittore")
# {'sequence': '<s> umberto eco è stato un grande scrittore</s>', 'score': 0.5784581303596497, 'token': 361}
# {'sequence': '<s> umberto eco è anche un grande scrittore</s>', 'score': 0.33813193440437317, 'token': 269}
# {'sequence': '<s> umberto eco è considerato un grande scrittore</s>', 'score': 0.027196012437343597, 'token': 3236}
# {'sequence': '<s> umberto eco è diventato un grande scrittore</s>', 'score': 0.013716378249228, 'token': 5742}
# {'sequence': '<s> umberto eco è inoltre un grande scrittore</s>', 'score': 0.010662357322871685, 'token': 1030}

Citation

All of the original datasets are publicly available or were released with the owners' grant. The datasets are all released under a CC0 or CCBY license.

  • UD Italian-ISDT Dataset Github
  • UD Italian-ParTUT Dataset Github
  • I-CAB (Italian Content Annotation Bank), EvalITA Page
  • WIKINER Page , Paper
@inproceedings {magnini2006annotazione,
	title = {Annotazione di contenuti concettuali in un corpus italiano: I - CAB},
	author = {Magnini,Bernardo and Cappelli,Amedeo and Pianta,Emanuele and Speranza,Manuela and Bartalesi Lenzi,V and Sprugnoli,Rachele and Romano,Lorenza and Girardi,Christian and Negri,Matteo},
	booktitle = {Proc.of SILFI 2006},
	year = {2006}
}
@inproceedings {magnini2006cab,
	title = {I - CAB: the Italian Content Annotation Bank.},
	author = {Magnini,Bernardo and Pianta,Emanuele and Girardi,Christian and Negri,Matteo and Romano,Lorenza and Speranza,Manuela and Lenzi,Valentina Bartalesi and Sprugnoli,Rachele},
	booktitle = {LREC},
	pages = {963--968},
	year = {2006},
	organization = {Citeseer}
}

Authors

Loreto Parisi: loreto at musixmatch dot com, loretoparisi Simone Francia: simone.francia at musixmatch dot com, simonefrancia Paolo Magnani: paul.magnani95 at gmail dot com, paulthemagno

About Musixmatch AI

Musxmatch Ai mac app icon-128 We do Machine Learning and Artificial Intelligence @musixmatch Follow us on Twitter Github

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
CamembertForMaskedLM
Ревизия весов
713d599

0 моделей