/ Модель

Характеристики

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

indobertweet-base-uncased

Заполнение пропусковТекст → текст3 профессии

IndoBERTweet — модель BERT для предсказания пропущенных токенов и работы с индонезийскими текстами Twitter.

19 281скачиваний за 30 дней13лайковвеса обновлены18 сен 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

IndoBERTweet — предварительно обученная языковая модель для индонезийских сообщений Twitter, разработанная Фаджри Кото, Джеем Ханом Лау и Тимоти Болдуином. Это модель семейства BERT с архитектурой BertForMaskedLM и примерно 137,8 млн параметров; она обучалась на 409 млн токенов индонезийских твитов с декабря 2019 по декабрь 2020 года. Специализированный словарь для Twitter добавлен к индонезийской BERT-модели, а его векторы инициализированы усреднением представлений подслов.

Модель предназначена для языкового моделирования и задач на текстах индонезийского Twitter. Основной сценарий использования — предсказание замаскированных токенов; README также сообщает об оценке на семи датасетах индонезийского Twitter. Контекст составляет до 512 токенов. Для предобработки авторы рекомендуют приводить текст к нижнему регистру, заменять упоминания пользователей и URL на специальные маркеры и преобразовывать эмотиконы в текст.

Модель опубликована в формате PyTorch под лицензией Apache-2.0. Она специализирована на индонезийском Twitter, поэтому её применимость к другим языкам и жанрам текста ограничена; для ожидаемой предобработки нужны нормализация регистра, маркеры для упоминаний и URL и текстовое представление эмотиконов.

Сценарии применения

  • восстановление замаскированных слов в индонезийских твитах
  • языковое моделирование индонезийских сообщений Twitter
  • подготовка представлений индонезийских твитов для NLP-задач

Ограничения

Модель специализирована на индонезийском Twitter, поэтому может хуже подходить для других языков и текстовых жанров. Авторы рекомендуют специальную предобработку: нижний регистр, замену упоминаний и URL маркерами, а также преобразование эмотиконов в текст.

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

IndoBERTweet 🐦

1. Paper

Fajri Koto, Jey Han Lau, and Timothy Baldwin. IndoBERTweet: A Pretrained Language Model for Indonesian Twitter with Effective Domain-Specific Vocabulary Initialization. In Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing (EMNLP 2021), Dominican Republic (virtual).

2. About

IndoBERTweet is the first large-scale pretrained model for Indonesian Twitter that is trained by extending a monolingually trained Indonesian BERT model with additive domain-specific vocabulary.

In this paper, we show that initializing domain-specific vocabulary with average-pooling of BERT subword embeddings is more efficient than pretraining from scratch, and more effective than initializing based on word2vec projections.

3. Pretraining Data

We crawl Indonesian tweets over a 1-year period using the official Twitter API, from December 2019 to December 2020, with 60 keywords covering 4 main topics: economy, health, education, and government. We obtain in total of 409M word tokens, two times larger than the training data used to pretrain IndoBERT. Due to Twitter policy, this pretraining data will not be released to public.

4. How to use

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

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

Preprocessing Steps:

  • lower-case all words
  • converting user mentions and URLs into @USER and HTTPURL, respectively
  • translating emoticons into text using the emoji package.

5. Results over 7 Indonesian Twitter Datasets

Citation

If you use our work, please cite:

@inproceedings{koto2021indobertweet,
  title={IndoBERTweet: A Pretrained Language Model for Indonesian Twitter with Effective Domain-Specific Vocabulary Initialization},
  author={Fajri Koto and Jey Han Lau and Timothy Baldwin},
  booktitle={Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing (EMNLP 2021)},
  year={2021}
}

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
32e28c0

0 моделей