/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Архитектура
bert · dense
Опубликована
27 апр 2023

indojave-codemixed-indobertweet-base

Заполнение пропусковТекст → текст3 профессии

Предобученная BERT-модель на основе IndoBERTweet для предсказания пропущенных слов в код-смешанных индонезийско-яванско-английских твитах.

68скачиваний за 30 дней1лайквеса обновлены11 мая 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

fathan/indojave-codemixed-indobertweet-base — предобученная маскированная языковая модель автора fathan для анализа текстов из Twitter, в которых смешаны индонезийский, яванский и английский языки. Модель основана на IndoBERTweet и обучена с помощью библиотеки Transformers на корпусе из 28,1 млн предложений, собранных из твитов за период с января 2022 по январь 2023 года и прошедших очистку и предварительную обработку.

Это модель архитектуры BERT с головой для masked language modeling, примерно 137,8 млн параметров и контекстом до 512 токенов. Её основная задача — предсказывать скрытые в тексте токены; это подходит для изучения лексики и адаптации к последующим задачам на код-смешанных публикациях. В README приведены результаты предобучения: eval loss 2,4854 и perplexity 12,0054.

Модель не предназначена для генерации длинных текстов или прямого решения произвольных прикладных задач без дополнительной настройки. Обучающий корпус не опубликован из-за политики Twitter. Лицензия в предоставленных данных не обозначена.

Сценарии применения

  • предсказание пропущенных слов в индонезийско-яванских твитах
  • изучение контекстной лексики код-смешанных публикаций
  • адаптация BERT-модели к текстам социальных сетей
  • дообучение для классификации или разметки твитов

Ограничения

Модель обучена на твитах и рассчитана на код-смешение индонезийского, яванского и английского, поэтому её применимость к другим жанрам и языкам ограничена. Обучающие данные не опубликованы; результаты для прикладных задач в карточке не приведены.

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

Indojave: IndoBERTweet-base

About

This is a pre-trained masked language model for code-mixed Indonesian-Javanese-English tweets data. This model is trained based on IndoBERTweet model utilizing Hugging Face's Transformers library.

Pre-training Data

The Twitter data is collected from January 2022 until January 2023. The tweets are collected using 8698 random keyword phrases. To make sure the retrieved data are code-mixed, we use keyword phrases that contain code-mixed Indonesian, Javanese, or English words. The following are few examples of the keyword phrases:

  • travelling terus
  • proud koncoku
  • great kalian semua
  • chattingane ilang
  • baru aja launching

We acquire 40,788,384 raw tweets. We apply first stage pre-processing tasks such as:

  • remove duplicate tweets,
  • remove tweets with token length less than 5,
  • remove multiple space,
  • convert emoticon,
  • convert all tweets to lower case.

After the first stage pre-processing, we obtain 17,385,773 tweets. In the second stage pre-processing, we do the following pre-processing tasks:

  • split the tweets into sentences,
  • remove sentences with token length less than 4,
  • convert ‘@username’ to ‘@USER’,
  • convert URL to HTTPURL.

Finally, we have 28,121,693 sentences for the training process. This pretraining data will not be opened to public due to Twitter policy.

Model

Model nameBase modelSize of training dataSize of validation data
indojave-codemixed-indobertweet-baseIndoBERTweet2.24 GB of text249 MB of text

Evaluation Results

We train the data with 3 epochs and total steps of 296K for 4 days. The following are the results obtained from the training:

train losseval losseval perplexity
2.71452.485412.0054

How to use

Load model and tokenizer

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("fathan/indojave-codemixed-indobertweet-base")
model = AutoModel.from_pretrained("fathan/indojave-codemixed-indobertweet-base")

Masked language model

from transformers import pipeline

pretrained_model = "fathan/indojave-codemixed-indobertweet-base"

fill_mask = pipeline(
    "fill-mask",
    model=pretrained_model,
    tokenizer=pretrained_model
)

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-05
  • train_batch_size: 256
  • eval_batch_size: 256
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 3.0

Framework versions

  • Transformers 4.26.0
  • Pytorch 1.12.0+cu102
  • Datasets 2.9.0
  • Tokenizers 0.12.1

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
513d49f

0 моделей