/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
2 мар 2022

indobert-base-uncased

Заполнение пропусковТекст → текст3 профессии

Индонезийская модель BERT для предсказания замаскированных слов и построения представлений текста.

53 340скачиваний за 30 дней50лайковвеса обновлены9 авг 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

IndoBERT base uncased — индонезийская версия BERT, разработанная командой IndoLEM. Модель обучена на корпусе объёмом более 220 млн слов из Википедии на индонезийском языке, новостных статей и веб-текстов. Это плотная трансформерная модель с архитектурой BERT и примерно 137,8 млн параметров; контекст — до 512 токенов.

Модель предназначена для работы с индонезийским текстом. В конфигурации masked language modeling она предсказывает замаскированные токены; представления BERT также исследовались на задачах разметки частей речи и распознавания именованных сущностей в бенчмарке IndoLEM. Доступны веса PyTorch и Flax. Лицензия — MIT.

Сценарии применения

  • подстановка пропущенного слова в индонезийском предложении
  • извлечение контекстных представлений индонезийского текста
  • разметка частей речи после дополнительной настройки
  • распознавание именованных сущностей после дополнительной настройки

Ограничения

Контекст ограничен 512 токенами. Для разметки частей речи и распознавания именованных сущностей требуется дополнительная настройка модели под соответствующую задачу.

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

About

IndoBERT is the Indonesian version of BERT model. We train the model using over 220M words, aggregated from three main sources:

  • Indonesian Wikipedia (74M words)
  • news articles from Kompas, Tempo (Tala et al., 2003), and Liputan6 (55M words in total)
  • an Indonesian Web Corpus (Medved and Suchomel, 2017) (90M words).

We trained the model for 2.4M steps (180 epochs) with the final perplexity over the development set being 3.97 (similar to English BERT-base).

This IndoBERT was used to examine IndoLEM - an Indonesian benchmark that comprises of seven tasks for the Indonesian language, spanning morpho-syntax, semantics, and discourse.

TaskMetricBi-LSTMmBERTMalayBERTIndoBERT
POS TaggingAcc95.496.896.896.8
NER UGMF170.971.673.274.9
NER UIF182.282.287.490.1
Dep. Parsing (UD-Indo-GSD)UAS/LAS85.25/80.3586.85/81.7886.99/81.8787.12/82.32
Dep. Parsing (UD-Indo-PUD)UAS/LAS84.04/79.0190.58/85.4488.91/83.5689.23/83.95
Sentiment AnalysisF171.6276.5882.0284.13
SummarizationR1/R2/RL67.96/61.65/67.2468.40/61.66/67.6768.44/61.38/67.7169.93/62.86/69.21
Next Tweet PredictionAcc73.692.493.193.7
Tweet OrderingSpearman corr.0.450.530.510.59

The paper is published at the 28th COLING 2020. Please refer to https://indolem.github.io for more details about the benchmarks.

How to use

Load model and tokenizer (tested with transformers==3.5.1)

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("indolem/indobert-base-uncased")
model = AutoModel.from_pretrained("indolem/indobert-base-uncased")

Citation

If you use our work, please cite:

@inproceedings{koto2020indolem,
  title={IndoLEM and IndoBERT: A Benchmark Dataset and Pre-trained Language Model for Indonesian NLP},
  author={Fajri Koto and Afshin Rahimi and Jey Han Lau and Timothy Baldwin},
  booktitle={Proceedings of the 28th COLING},
  year={2020}
}

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
7ccb3cd

0 моделей