/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
CC BY 4.0
Архитектура
bert · dense
Опубликована
15 сен 2022

trelbert

Заполнение пропусковТекст → текст5 профессий

TrelBERT — польскоязычная BERT-модель, обученная на твитах для заполнения пропусков и адаптации к анализу сообщений в Twitter.

77скачиваний за 30 дней6лайковвеса обновлены3 июл 2023

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

TrelBERT — модель на основе BERT, разработанная командой deepsense.ai для анализа польскоязычных сообщений в Twitter. Это плотная трансформерная архитектура BertForMaskedLM с 151,6 млн параметров, дообученная методом masked language modeling на примерно 45 млн польских твитов. В качестве основы использован контрольный пункт HerBERT; модель работает с контекстом до 514 токенов, а для обучения на данных Twitter применялась максимальная длина последовательности 128 токенов.

Модель предназначена прежде всего для предсказания замаскированных слов в польском тексте и может служить основой для дообучения на задачах анализа польских сообщений. В экспериментах с KLEJ её дообучали для распознавания сущностей, анализа тональности и выявления кибербуллинга; на задаче обнаружения кибербуллинга она заняла первое место в соответствующем задании KLEJ. Опубликована по лицензии CC BY 4.0. Оптимизация на польских твитах и специальная предобработка ссылок и упоминаний ориентируют её на короткие сообщения из социальных сетей.

Сценарии применения

  • предсказание пропущенных слов в польских сообщениях
  • дообучение для распознавания именованных сущностей в польских твитах
  • анализ тональности польских сообщений в социальных сетях
  • выявление кибербуллинга в польскоязычных публикациях

Ограничения

Для задач распознавания сущностей, анализа тональности и выявления кибербуллинга модель требует отдельного дообучения; опубликованные результаты получены на KLEJ. Оптимизация на коротких сообщениях и контекст до 514 токенов ограничивают её пригодность для длинных документов.

Для каких профессий подходит5

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

TrelBERT

TrelBERT is a BERT-based Language Model trained on data from Polish Twitter using Masked Language Modeling objective. It is based on HerBERT model and therefore released under the same license - CC BY 4.0.

Training

We trained our model starting from herbert-base-cased checkpoint and continued MLM training using data collected from Twitter.

The data we used for MLM fine-tuning was approximately 45 million Polish tweets. We trained the model for 1 epoch with a learning rate 5e-5 and batch size 2184 using AdamW optimizer.

Preprocessing

For each Tweet, the user handles that occur in the beginning of the text were removed, as they are not part of the message content but only represent who the user is replying to. The remaining user handles were replaced by "@anonymized_account". Links were replaced with a special @URL token.

Tokenizer

We use HerBERT tokenizer with two special tokens added for preprocessing purposes as described above (@anonymized_account, @URL). Maximum sequence length is set to 128, based on the analysis of Twitter data distribution.

License

CC BY 4.0

KLEJ Benchmark results

We fine-tuned TrelBERT to KLEJ benchmark tasks and achieved the following results:

Task nameScore
NKJP-NER94.4
CDSC-E93.9
CDSC-R93.6
CBD76.1
PolEmo2.0-IN89.3
PolEmo2.0-OUT78.1
DYK67.4
PSC95.7
AR86.1
Average86.1

For fine-tuning to KLEJ tasks we used Polish RoBERTa scripts, which we modified to use transformers library. For the CBD task, we set the maximum sequence length to 128 and implemented the same preprocessing procedure as in the MLM phase.

Our model achieved 1st place in cyberbullying detection (CBD) task in the KLEJ leaderboard. Overall, it reached 7th place, just below HerBERT model.

Citation

Please cite the following paper:

@inproceedings{szmyd-etal-2023-trelbert,
    title = "{T}rel{BERT}: A pre-trained encoder for {P}olish {T}witter",
    author = "Szmyd, Wojciech  and
      Kotyla, Alicja  and
      Zobni{\'o}w, Micha{\l}  and
      Falkiewicz, Piotr  and
      Bartczuk, Jakub  and
      Zygad{\l}o, Artur",
    booktitle = "Proceedings of the 9th Workshop on Slavic Natural Language Processing 2023 (SlavicNLP 2023)",
    month = may,
    year = "2023",
    address = "Dubrovnik, Croatia",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2023.bsnlp-1.3",
    pages = "17--24",
    abstract = "Pre-trained Transformer-based models have become immensely popular amongst NLP practitioners. We present TrelBERT {--} the first Polish language model suited for application in the social media domain. TrelBERT is based on an existing general-domain model and adapted to the language of social media by pre-training it further on a large collection of Twitter data. We demonstrate its usefulness by evaluating it in the downstream task of cyberbullying detection, in which it achieves state-of-the-art results, outperforming larger monolingual models trained on general-domain corpora, as well as multilingual in-domain models, by a large margin. We make the model publicly available. We also release a new dataset for the problem of harmful speech detection.",
}

Authors

Jakub Bartczuk, Krzysztof Dziedzic, Piotr Falkiewicz, Alicja Kotyla, Wojciech Szmyd, Michał Zobniów, Artur Zygadło

For more information, reach out to us via e-mail: artur.zygadlo@deepsense.ai

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
BertForMaskedLM
Ревизия весов
27e7f59

0 моделей