/ Модель

Характеристики

Контекст
512 токенов
Параметры
95 млн
Архитектура
bert · dense
Опубликована
15 фев 2024

KuBERT-Central-Kurdish-BERT-Model

Классификация без дообученияТекст → label6 профессий

BERT-модель для классификации текстов на центральнокурдском языке с заданными пользователем метками.

226скачиваний за 30 дней6лайковвеса обновлены27 янв 2025

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

KuBERT-Central-Kurdish-BERT-Model — модель на архитектуре BERT, разработанная AsoSoft для обработки центральнокурдского языка. Она предназначена для классификации текста без заранее заданного набора классов: пользователь задаёт варианты меток, а модель оценивает их соответствие тексту. Чекпойнт содержит около 95 млн параметров и поддерживает контекст до 512 токенов.

Модель обучена на корпусе примерно из 296,5 млн токенов, собранном из материалов AsoSoft, текстов Арама Рафика и Мухаммада Азизи, а также корпуса OSCAR 2019. В README также указаны специализированный токенизатор для курдского языка и использование BERT. Это языковая модель общего назначения для центральнокурдских текстов; карточка не сообщает лицензию и не приводит оценок качества, поэтому их нельзя установить по доступным сведениям.

Сценарии применения

  • классификация курдских текстов по пользовательским категориям
  • сортировка центральнокурдских новостей по темам
  • определение соответствия курдского текста заданной метке
  • разметка курдских документов без предварительного обучения классификатора

Ограничения

Контекст ограничен 512 токенами. В доступной карточке нет результатов оценки качества и сведений о лицензии.

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

KuBERT: Central Kurdish BERT Model

Introduction

KuBERT-Central-Kurdish-BERT-Model harnesses the BERT framework to enhance computational linguistics for the Central Kurdish language. This initiative is a response to the scarcity of resources and computational models for Kurdish, which is a language with substantial linguistic diversity.

Data Acquisition for Model Training

Data collection is a significant hurdle in training deep learning models, especially for low-resource languages like Kurdish. Sourcing sufficient data is essential for the efficacy of complex models such as BERT. The scarcity of digital resources makes accumulating Kurdish data more challenging than for many other languages. To amass a comprehensive word vector dataset for Kurdish, substantial efforts were made to compile information from various sources.

Corpus Compilation

Three main corpora were utilized to train the Kurdish BERT model, amounting to 296.5 million tokens:

  • AsoSoft corpus: With 188 million tokens, it includes data from websites, textbooks, and magazines.
  • AramRafeq and Muhammad Azizi corpus: A collection of over 60 million tokens gathered from Kurdish websites.
  • Oscar 2019 corpus: Comprising 48.5 million words, it further enriches the dataset.

This comprehensive text corpus ensures that the KuBERT model is well-equipped to understand and process Kurdish at a high level.

Overview

The project uses the latest advances in BERT technology to better understand and process Kurdish language data. The model training incorporates a Kurdish-specific tokenizer and various classifiers, demonstrating BERT's adaptability to linguistic intricacies.

from transformers import BertTokenizer, BertModel

tokenizer = BertTokenizer.from_pretrained('asosoft/KuBERT-Central-Kurdish-BERT-Model') model = BertModel.from_pretrained('asosoft/KuBERT-Central-Kurdish-BERT-Model')

Contributions

The integration of BERT represents a significant step forward in computational linguistics for Kurdish, providing a much-needed benchmark for future NLP efforts in under-represented languages. By leveraging a large corpus of Kurdish text, this project addresses critical gaps in language processing tools for Kurdish.

Training Details

The BERT model undergoes extensive fine-tuning with the curated Kurdish dataset, ensuring optimal performance. Through rigorous training and evaluation, the model is prepared to handle a variety of linguistic tasks.

Final Remarks

This README encapsulates the essence of the KuBERT-Central-Kurdish-BERT-Model project, its data acquisition efforts, and the innovative use of BERT for the Kurdish language. For a full understanding of the model's capabilities and comprehensive training details, the full documentation and accompanying study materials should be consulted.

Relevant Links and References


*Epochs: 3 *Max Token Length: 256 *Learning Rate: 1.00E-05 *Dropout Rate: 0.3 *Batch Size: 8 *GPU Utilization: Yes


The corpus data tables and the detailed methodology can be found in the full research paper and are summarized here for quick reference:

Corpus Data Tables Summary

Table 1: AsoSoft Kurdish Text Corpus

SourceNumber of Tokens
Crawled From Websites95M
Text Books45M
Magazines48M
Sum188M

Table 2: Muhammad Azizi and AramRafeq Text Corpus

SourceNumber of Tokens
Wikipedia13.5M
Wishe Website11M
Speemedia Website6.5M
Kurdiu Website19M
Dengiamerika Website2M
Chawg Website8M
Sum60M

Table 3: The Kurdish Text Corpus Used to Train BERT

Corpus NameNumber of Tokens
Oscar 2019 corpus48.5M
AsoSoft corpus188M
Muhammad Azizi and AramRafeq corpus60M
Sum296.5M

Cite

If you are using our text corpus cite us.

Awlla, K.M., Veisi, H. & Abdullah, A.A. Sentiment analysis in low-resource contexts: BERT’s impact on Central Kurdish. Lang Resources & Evaluation (2025). https://doi.org/10.1007/s10579-024-09805-0

@article{awlla2025sentiment,
  title={Sentiment analysis in low-resource contexts: BERT’s impact on Central Kurdish},
  author={Awlla, K.M. and Veisi, H. and Abdullah, A.A.},
  journal={Language Resources & Evaluation},
  volume={35},
  number={1},
  pages={123--145},  % Replace with actual page numbers
  year={2025},
  publisher={Springer},
  doi={10.1007/s10579-024-09805-0}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · zero-shot-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
15eff2a

0 моделей