/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
MIT
Архитектура
roberta · dense
Опубликована
14 окт 2022

twitter-roberta-base-sep2022

Заполнение пропусковТекст → текст3 профессии

Англоязычная RoBERTa-base, обученная на твитах до сентября 2022 года, предсказывает замаскированные слова и может использоваться для получения эмбеддингов твитов.

233скачиваний за 30 дней8лайковвеса обновлены14 окт 2022

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

Cardiff NLP представляет RoBERTa-base для анализа англоязычных публикаций в Twitter. Модель обучена на 168,86 млн твитов, опубликованных до конца сентября 2022 года, и содержит около 151,8 млн параметров. Это плотная трансформерная модель RoBERTa с головой masked language modeling; поддерживает контекст до 514 токенов и доступна в формате PyTorch.

Основное применение — предсказание замаскированных слов в тексте Twitter. Карточка также показывает пример получения эмбеддингов твитов, но метаданные относят модель к задаче fill-mask. Для предобработки авторы рекомендуют заменять имена пользователей на @user, а ссылки — на http, в соответствии с подготовкой данных при обучении. Модель подходит для анализа языка соцсетей своего временного периода; новые выражения и изменения языка после сентября 2022 года могли не попасть в обучающие данные. Лицензия — MIT.

Сценарии применения

  • предсказание пропущенных слов в англоязычных твитах
  • анализ языковых особенностей Twitter на данных до сентября 2022 года
  • получение эмбеддингов коротких публикаций для последующего анализа

Ограничения

Обучающие данные охватывают твиты только до конца сентября 2022 года, поэтому модель может хуже учитывать более поздние языковые изменения. Для входного текста авторы рекомендуют заменять имена пользователей и ссылки на плейсхолдеры @user и http.

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

Twitter September 2022 (RoBERTa-base, 169M)

This is a RoBERTa-base model trained on 168.86M tweets until the end of September 2022 (15M tweets increment). More details and performance scores are available in the TimeLMs paper.

Below, we provide some usage examples using the standard Transformers interface. For another interface more suited to comparing predictions and perplexity scores between models trained at different temporal intervals, check the TimeLMs repository.

For other models trained until different periods, check this table.

Preprocess Text

Replace usernames and links for placeholders: "@user" and "http". If you're interested in retaining verified users which were also retained during training, you may keep the users listed here.

def preprocess(text):
    preprocessed_text = []
    for t in text.split():
        if len(t) > 1:
            t = '@user' if t[0] == '@' and t.count('@') == 1 else t
            t = 'http' if t.startswith('http') else t
        preprocessed_text.append(t)
    return ' '.join(preprocessed_text)

Example Masked Language Model

from transformers import pipeline, AutoTokenizer

MODEL = "cardiffnlp/twitter-roberta-base-sep2022"
fill_mask = pipeline("fill-mask", model=MODEL, tokenizer=MODEL)
tokenizer = AutoTokenizer.from_pretrained(MODEL)

def pprint(candidates, n):
    for i in range(n):
        token = tokenizer.decode(candidates[i]['token'])
        score = candidates[i]['score']
        print("%d) %.5f %s" % (i+1, score, token))

texts = [
    "So glad I'm <mask> vaccinated.",
    "I keep forgetting to bring a <mask>.",
    "Looking forward to watching <mask> Game tonight!",
]
for text in texts:
    t = preprocess(text)
    print(f"{'-'*30}\n{t}")
    candidates = fill_mask(t)
    pprint(candidates, 5)

Output:

------------------------------
So glad I'm <mask> vaccinated.
1) 0.60140  not
2) 0.15077  getting
3) 0.12119  fully
4) 0.02203  still
5) 0.01020  all
------------------------------
I keep forgetting to bring a <mask>.
1) 0.05812  charger
2) 0.05040  backpack
3) 0.05004  book
4) 0.04548  bag
5) 0.03992  lighter
------------------------------
Looking forward to watching <mask> Game tonight!
1) 0.39552  the
2) 0.28083  The
3) 0.02029  End
4) 0.01878  Squid
5) 0.01438  this

Example Tweet Embeddings

from transformers import AutoTokenizer, AutoModel, TFAutoModel
import numpy as np
from scipy.spatial.distance import cosine
from collections import Counter

def get_embedding(text):  # naive approach for demonstration
  text = preprocess(text)
  encoded_input = tokenizer(text, return_tensors='pt')
  features = model(**encoded_input)
  features = features[0].detach().cpu().numpy() 
  return np.mean(features[0], axis=0) 


MODEL = "cardiffnlp/twitter-roberta-base-sep2022"
tokenizer = AutoTokenizer.from_pretrained(MODEL)
model = AutoModel.from_pretrained(MODEL)

query = "The book was awesome"
tweets = ["I just ordered fried chicken 🐣", 
          "The movie was great",
          "What time is the next game?",
          "Just finished reading 'Embeddings in NLP'"]

sims = Counter()
for tweet in tweets:
    sim = 1 - cosine(get_embedding(query), get_embedding(tweet))
    sims[tweet] = sim

print('Most similar to: ', query)
print(f"{'-'*30}")
for idx, (tweet, sim) in enumerate(sims.most_common()):
    print("%d) %.5f %s" % (idx+1, sim, tweet))

Output:

Most similar to:  The book was awesome
------------------------------
1) 0.98914 The movie was great
2) 0.96194 Just finished reading 'Embeddings in NLP'
3) 0.94603 What time is the next game?
4) 0.94580 I just ordered fried chicken 🐣

Example Feature Extraction

from transformers import AutoTokenizer, AutoModel, TFAutoModel
import numpy as np

MODEL = "cardiffnlp/twitter-roberta-base-sep2022"
tokenizer = AutoTokenizer.from_pretrained(MODEL)

text = "Good night 😊"
text = preprocess(text)

# Pytorch
model = AutoModel.from_pretrained(MODEL)
encoded_input = tokenizer(text, return_tensors='pt')
features = model(**encoded_input)
features = features[0].detach().cpu().numpy() 
features_mean = np.mean(features[0], axis=0) 
#features_max = np.max(features[0], axis=0)

# # Tensorflow
# model = TFAutoModel.from_pretrained(MODEL)
# encoded_input = tokenizer(text, return_tensors='tf')
# features = model(encoded_input)
# features = features[0].numpy()
# features_mean = np.mean(features[0], axis=0) 
# #features_max = np.max(features[0], axis=0)

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
RobertaForMaskedLM
Ревизия весов
03e4b31

0 моделей