/ Модель

Характеристики

Контекст
512 токенов
Архитектура
distilbert · dense
Опубликована
2 мар 2022

distilbert_punctuator_en

Разметка токеновТекст → label5 профессий

Модель на базе DistilBERT восстанавливает пунктуацию в английском тексте без учёта регистра, размечая токены.

196скачиваний за 30 дней7лайковвеса обновлены23 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

Qishuai разработал эту модель на базе DistilBERT и дообучил её для восстановления пунктуации в тексте на английском языке без учёта регистра. Модель размечает токены, предсказывая места для знаков препинания; она подходит, например, для обработки текстов, полученных из расшифровок речи, и не предназначена для распознавания речи или генерации связного текста.

Модель использует архитектуру DistilBertForTokenClassification, работает с контекстом до 512 токенов и доступна в форматах PyTorch и safetensors. Для обучения использованы новостные статьи BBC, Hindu, Indian Times и Guardian, а также расшифровки TED Talks. В отчёте проверки на новостях и расшифровках TED за 2020 год F1 для запятых и точек составил 0,63 и 0,70; качество восстановления восклицательных знаков было низким (F1 0,12). Лицензия в предоставленных данных не указана.

Сценарии применения

  • восстановление запятых и точек в тексте без пунктуации
  • расстановка знаков препинания в расшифровках английской речи
  • подготовка расшифровок TED Talks к чтению
  • обработка текстов английских новостных статей после удаления пунктуации

Ограничения

Качество восстановления восклицательных знаков низкое: в приведённой оценке F1 составил 0,12; отчёт также показывает более умеренные результаты для запятых. Контекст ограничен 512 токенами.

Для каких профессий подходит5

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

Punctuator for Uncased English

The model is fine-tuned based on DistilBertForTokenClassification for adding punctuations to plain text (uncased English)

Usage

from transformers import DistilBertForTokenClassification, DistilBertTokenizerFast

model = DistilBertForTokenClassification.from_pretrained("Qishuai/distilbert_punctuator_en")
tokenizer = DistilBertTokenizerFast.from_pretrained("Qishuai/distilbert_punctuator_en")

Model Overview

Training data

Combination of following three dataset:

  • BBC news: From BBC news website corresponding to stories in five topical areas from 2004-2005. Reference
  • News articles: 20000 samples of short news articles scraped from Hindu, Indian times and Guardian between Feb 2017 and Aug 2017 Reference
  • Ted talks: transcripts of over 4,000 TED talks between 2004 and 2019 Reference

Model Performance

  • Validation with 500 samples of dataset scraped from https://www.thenews.com.pk website. Reference

  • Metrics Report:

    precisionrecallf1-scoresupport
    COMMA0.660.550.607064
    EXLAMATIONMARK1.000.000.005
    PERIOD0.730.630.686573
    QUESTIONMARK0.540.410.4717
    micro avg0.690.590.6413659
    macro avg0.730.400.4413659
    weighted avg0.690.590.6413659
  • Validation with 86 news ted talks of 2020 which are not included in training dataset Reference

  • Metrics Report:

    precisionrecallf1-scoresupport
    COMMA0.710.560.6310712
    EXLAMATIONMARK0.450.070.1275
    PERIOD0.750.650.707921
    QUESTIONMARK0.730.670.70827
    micro avg0.730.600.6619535
    macro avg0.660.490.5319535
    weighted avg0.730.600.6619535

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DistilBertForTokenClassification
Ревизия весов
7283dfb

0 моделей