/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Архитектура
bert · dense
Опубликована
2 мар 2024

spanish_capitalization_punctuation_restoration_sanivert

Разметка токеновТекст → label4 профессии

Модель VÓCALI восстанавливает заглавные буквы и пунктуацию в испанском тексте с помощью классификации токенов.

82скачиваний за 30 дней1лайквеса обновлены4 мар 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

Это уменьшенная версия модели восстановления капитализации и пунктуации в испанском тексте, разработанная компанией VÓCALI в рамках проекта SANIVERT. Модель основана на dccuchile/bert-base-spanish-wwm-uncased и дообучена для классификации токенов; размер составляет 137,1 млн параметров, максимальная длина контекста — 512 токенов.

Модель предназначена для восстановления заглавных букв и знаков препинания в испанских текстах, например при подготовке транскрипций или черновиков без оформления. Для обучения использовались более 2,1 млн испанских текстовых примеров. В карточке указаны метрики Macro F1 и Weighted F1, но их значения не приведены. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

  • восстановление пунктуации в испанском тексте
  • расстановка заглавных букв в испанском тексте
  • оформление черновых транскрипций на испанском
  • автоматическое исправление капитализации в текстах на испанском

Ограничения

В карточке названы Macro F1 и Weighted F1, но численные результаты оценки не приведены. Контекст ограничен 512 токенами.

Для каких профессий подходит4

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

Spanish punctuation and capitalisation restoration model

Details of the model

This is a reduced version of the Spanish capitalisation and punctuation restoration model developed by VÓCALI as part of the SANIVERT project.

You can try the model in the following SPACE

Details of the dataset

This is a dccuchile/bert-base-spanish-wwm-uncased model fine-tuned for punctuation restoration using the following data distribution.

LanguageNumber of text samplesNumber of tokens
Spanish2,153,29651,049,602

Evaluation Metrics

The metrics used to the evaluation of the model are the Macro and the Weighted F1 scores.

Funding

This work was funded by the Spanish Government, the Spanish Ministry of Economy and Digital Transformation through the Digital Transformation through the "Recovery, Transformation and Resilience Plan" and also funded by the European Union NextGenerationEU/PRTR through the research project 2021/C005/0015007

How to use the model

from transformers import pipeline, AutoModelForTokenClassification, AutoTokenizer
import torch

def get_result_text_es_pt (list_entity, text, lang):
    result_words = []
    tmp_word = ""
    if lang == "es":
        punc_tags = ['¿', '?', '¡', '!', ',', '.', ':']
    else:
        punc_tags = ['?', '!', ',', '.', ':']
    
    for idx, entity in enumerate(list_entity): 
        tag = entity["entity"]
        word = entity["word"]
        start = entity["start"]
        end = entity["end"]
        
        # check punctuation
        punc_in = next((p for p in punc_tags if p in tag), "")
                
        subword = False
        # check subwords
        if word[0] == "#": 
            subword = True
            if tmp_word == "":
                p_s = list_entity[idx-1]["start"]
                p_e = list_entity[idx-1]["end"]
                tmp_word = text[p_s:p_e] + text[start:end]
            else: 
                tmp_word = tmp_word + text[start:end]
            word = tmp_word
        else:
            tmp_word = ""
            word = text[start:end]
            
        if tag == "l": 
            word = word 
        elif tag == "u":
            word = word.capitalize()
        # case with punctuation
        else:
            if tag[-1] == "l":
                word = (punc_in + word) if punc_in in ["¿", "¡"] else (word + punc_in)
            elif tag[-1] == "u":
                word = (punc_in + word.capitalize()) if punc_in in ["¿", "¡"] else (word.capitalize() + punc_in)     
		
        if subword == True: 
            result_words[-1] = word
        else:
            result_words.append(word)

    return " ".join(result_words)

lang = "es"
model_path = "VOCALINLP/spanish_capitalization_punctuation_restoration_sanivert"

model = AutoModelForTokenClassification.from_pretrained(model_path)
tokenizer = AutoTokenizer.from_pretrained(model_path)

pipe = pipeline("token-classification", model=model, tokenizer=tokenizer)
text = "el paciente presenta los siguientes síntomas náuseas vértigo disnea fiebre y dolor abdominal"
result = pipe(text)

print("Source text: "+ text)
result_text = get_result_text_es_pt(result, text, lang)
print("Restored text: " +result_text)

Created by VOCALI SISSTEMAS INTELIGENTES S.L.

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
BertForTokenClassification
Ревизия весов
5d78247

0 моделей