/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
Apache 2.0
Архитектура
electra · dense

bcms-bertic

Языковая модель4 профессии

BERTić — ELECTRA-модель для построения NLP-систем на боснийском, хорватском, черногорском и сербском языках.

9 249скачиваний за 30 дней20лайковвеса обновлены29 окт 2021

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

BERTić — языковая модель-трансформер семейства ELECTRA, разработанная CLASSLA для боснийского, хорватского, черногорского и сербского языков. Модель с 137,8 млн параметров предварительно обучена на более чем 8 млрд токенов текстов; формат весов — PyTorch, максимальная длина контекста — 512 токенов.

Модель предназначена для построения NLP-систем на этих языках и может служить основой для дообучения под разметку частей речи, распознавание именованных сущностей, геолокацию по тексту и другие задачи понимания языка. В описанных сравнениях BERTić превосходит multilingual BERT и CroSloEngual BERT на ряде оценок для хорватского и сербского, хотя результаты зависят от задачи и набора данных. Для NER и выявления языка ненависти авторы также указывают отдельные дообученные версии.

Модель распространяется по лицензии Apache-2.0. Это языковой энкодер для текстовых задач, а не готовый универсальный чат-бот; для прикладных сценариев классификации или извлечения сущностей может потребоваться дополнительное дообучение.

Сценарии применения

  • дообучение классификатора текстов на хорватском языке
  • разметка частей речи в сербских текстах
  • распознавание именованных сущностей в текстах на языках BCMS
  • определение геолокации публикации по её тексту
  • оценка правдоподобия вариантов причинно-следственных ответов на хорватском

Ограничения

Модель ориентирована на языки BCMS и имеет контекст до 512 токенов. Для прикладных задач классификации и извлечения сущностей может потребоваться дообучение на соответствующих данных.

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

BERTić* [bert-ich] /bɜrtitʃ/ - A transformer language model for Bosnian, Croatian, Montenegrin and Serbian

* The name should resemble the facts (1) that the model was trained in Zagreb, Croatia, where diminutives ending in -ić (as in fotić, smajlić, hengić etc.) are very popular, and (2) that most surnames in the countries where these languages are spoken end in -ić (with diminutive etymology as well).

This Electra model was trained on more than 8 billion tokens of Bosnian, Croatian, Montenegrin and Serbian text.

*new* We have published a version of this model fine-tuned on the named entity recognition task (bcms-bertic-ner) and on the hate speech detection task (bcms-bertic-frenk-hate).

If you use the model, please cite the following paper:

@inproceedings{ljubesic-lauc-2021-bertic,
    title = "{BERT}i{\'c} - The Transformer Language Model for {B}osnian, {C}roatian, {M}ontenegrin and {S}erbian",
    author = "Ljube{\v{s}}i{\'c}, Nikola  and Lauc, Davor",
    booktitle = "Proceedings of the 8th Workshop on Balto-Slavic Natural Language Processing",
    month = apr,
    year = "2021",
    address = "Kiyv, Ukraine",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/2021.bsnlp-1.5",
    pages = "37--42",
}

Benchmarking

Comparing this model to multilingual BERT and CroSloEngual BERT on the tasks of (1) part-of-speech tagging, (2) named entity recognition, (3) geolocation prediction, and (4) commonsense causal reasoning, shows the BERTić model to be superior to the other two.

Part-of-speech tagging

Evaluation metric is (seqeval) microF1. Reported are means of five runs. Best results are presented in bold. Statistical significance is calculated between two best-performing systems via a two-tailed t-test (* p<=0.05, ** p<=0.01, *** p<=0.001, ***** p<=0.0001).

DatasetLanguageVarietyCLASSLAmBERTcseBERTBERTić
hr500kCroatianstandard93.8794.6095.7495.81***
reldi-hrCroatianinternet non-standard-88.8791.6392.28***
SETimes.SRSerbianstandard95.0095.5096.4196.31
reldi-srSerbianinternet non-standard-91.2693.5493.90***

Named entity recognition

Evaluation metric is (seqeval) microF1. Reported are means of five runs. Best results are presented in bold. Statistical significance is calculated between two best-performing systems via a two-tailed t-test (* p<=0.05, ** p<=0.01, *** p<=0.001, ***** p<=0.0001).

DatasetLanguageVarietyCLASSLAmBERTcseBERTBERTić
hr500kCroatianstandard80.1385.6788.9889.21****
reldi-hrCroatianinternet non-standard-76.0681.3883.05****
SETimes.SRSerbianstandard84.6492.4192.2892.02
reldi-srSerbianinternet non-standard-81.2982.7687.92****

Geolocation prediction

The dataset comes from the VarDial 2020 evaluation campaign's shared task on Social Media variety Geolocation prediction. The task is to predict the latitude and longitude of a tweet given its text.

Evaluation metrics are median and mean of distance between gold and predicted geolocations (lower is better). No statistical significance is computed due to large test set (39,723 instances). Centroid baseline predicts each text to be created in the centroid of the training dataset.

SystemMedianMean
centroid107.10145.72
mBERT42.2582.05
cseBERT40.7681.88
BERTić37.9679.30

Choice Of Plausible Alternatives

The dataset is a translation of the COPA dataset into Croatian (link to the dataset).

Evaluation metric is accuracy. Reported are means of five runs. Best results are presented in bold. Statistical significance is calculated between two best-performing systems via a two-tailed t-test (* p<=0.05, ** p<=0.01, *** p<=0.001, ***** p<=0.0001).

SystemAccuracy
random50.00
mBERT54.12
cseBERT61.80
BERTić65.76**

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
ElectraForPreTraining
Ревизия весов
5db9755

0 моделей