/ Модель

Характеристики

Контекст
514 токенов
Параметры
138 млн
Лицензия
Apache 2.0
Архитектура
camembert · dense
Опубликована
15 ноя 2022

sloberta-trendi-topics

Классификация текстаТекст → label4 профессии

Модель на базе CamemBERT классифицирует словенские новостные тексты по 13 тематическим категориям.

149скачиваний за 30 дней0лайковвеса обновлены15 ноя 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

SloBERTa-Trendi-Topics 1.0 — модель классификации новостных текстов на 13 тематических категорий, разработанная для словенских текстов. Она основана на архитектуре CamemBERT и дообучена на контекстных представлениях SloBERTa 2.0. Для обучения использовано около 36 тысяч текстов словенских новостных источников; разметка категорий частично сформирована автоматически по разделам публикации.

Модель подходит для тематической сортировки новостей по таким категориям, как политика, экономика, спорт, здоровье, культура, погода и общество. В README указаны максимальная длина последовательности 512 токенов и macro-F1 0,94 на тестовом наборе из 1 295 текстов; лучшие результаты получены для криминальной хроники, политики, спорта и погоды, наиболее низкие — для досуга.

Модель содержит 137,8 млн параметров, опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Она рассчитана на классификацию словенских новостных текстов; качество за пределами близких источников и тематических категорий в карточке не охарактеризовано.

Сценарии применения

  • распределение словенских новостей по тематическим разделам
  • автоматическая сортировка новостной ленты по категориям
  • классификация статей по политике, экономике и финансам
  • выделение новостей о спорте, здоровье, погоде и окружающей среде

Ограничения

Модель обучалась на словенских новостных текстах и 13 категориях, поэтому её пригодность для других жанров, языков или тематических схем не установлена. Результат для категории досуга ниже, чем для остальных указанных категорий: F1 0,83.

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

Text classification model SloBERTa-Trendi-Topics 1.0

The SloBerta-Trendi-Topics model is a text classification model for categorizing news texts with one of 13 topic labels. It was trained on a set of approx. 36,000 Slovene texts from various Slovene news sources included in the Trendi Monitor Corpus of Slovene (http://hdl.handle.net/11356/1590) such as "rtvslo.si", "sta.si", "delo.si", "dnevnik.si", "vecer.com", "24ur.com", "siol.net", "gorenjskiglas.si", etc.

The texts were semi-automatically categorized into 13 categories based on the sections under which they were published (i.e. URLs). The set of labels was developed in accordance with related categorization schemas used in other corpora and comprises the following topics: "črna kronika" (crime and accidents), "gospodarstvo, posel, finance" (economy, business, finance), "izobraževanje" (education), "okolje" (environment), "prosti čas" (free time), "šport" (sport), "umetnost, kultura" (art, culture), "vreme" (weather), "zabava" (entertainment), "zdravje" (health), "znanost in tehnologija" (science and technology), "politika" (politics), and "družba" (society). The categorization process is explained in more detail in Kosem et al. (2022): https://nl.ijs.si/jtdh22/pdf/JTDH2022_Kosem-et-al_Spremljevalni-korpus-Trendi.pdf

The model was trained on the labeled texts using the SloBERTa 2.0 contextual embeddings model (https://huggingface.co/EMBEDDIA/sloberta, also available at CLARIN.SI: http://hdl.handle.net/11356/1397) and validated on a development set of 1,293 texts using the simpletransformers library and the following hyperparameters:

  • Train batch size: 8
  • Learning rate: 1e-5
  • Max. sequence length: 512
  • Number of epochs: 2

The model achieves a macro-F1-score of 0.94 on a test set of 1,295 texts (best for "črna kronika", "politika", "šport", and "vreme" at 0.98, worst for "prosti čas" at 0.83).

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
CamembertForSequenceClassification
Ревизия весов
1783424

0 моделей