/ Модель

Характеристики

Контекст
512 токенов
Параметры
205 млн
Лицензия
CC BY 4.0
Архитектура
bert · dense
Опубликована
28 мар 2022

anglicisms-spanish-mbert

Разметка токеновТекст → label3 профессии

Мультиязычная BERT-модель для поиска англицизмов и других неассимилированных заимствований в испанских новостных текстах.

60скачиваний за 30 дней0лайковвеса обновлены16 мая 2022

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

Модель lirondos/anglicisms-spanish-mbert — мультиязычная BERT-модель, дообученная для обнаружения неассимилированных заимствований в испанских новостных текстах. Она размечает заимствованные слова английского происхождения (ENG) и из других языков (OTHER), используя BIO-кодирование для многословных выражений. Модель содержит 205,1 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch.

Модель разработана для извлечения англицизмов и других заимствований из испаноязычных новостей и анализа употребления заимствованной лексики. Она дообучена на корпусе COALAS, содержащем европейские испанские тексты СМИ. На тесте COALAS общий F1 составил 83,55; для английских заимствований — 85,19, а для заимствований из других языков — 11,11. Авторы предупреждают, что это не лучшая доступная модель для данной задачи.

Лицензия — CC BY 4.0. Результаты для метки OTHER заметно слабее, поэтому модель особенно ненадёжна при поиске заимствований не из английского; качество также следует оценивать на текстах, отличающихся от новостного корпуса COALAS.

Сценарии применения

  • поиск англицизмов в испанских новостях
  • извлечение заимствованных слов из испаноязычных публикаций СМИ
  • разметка многословных заимствований в испанском тексте
  • анализ употребления английской лексики в европейском испанском

Ограничения

На тесте COALAS F1 для заимствований из других языков, кроме английского, составил 11,11, поэтому метка OTHER выявляется ненадёжно. Модель обучена на европейских испанских новостях и не заявлена как лучший вариант для этой задачи.

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

anglicisms-spanish-mbert

This is a pretrained model for detecting unassimilated English lexical borrowings (a.k.a. anglicisms) on Spanish newswire. This model labels words of foreign origin (fundamentally from English) used in Spanish language, words such as fake news, machine learning, smartwatch, influencer or streaming.

The model is a fine-tuned version of multilingual BERT trained on the COALAS corpus for the task of detecting lexical borrowings.

The model considers two labels:

  • ENG: For English lexical borrowings (smartphone, online, podcast)
  • OTHER: For lexical borrowings from any other language (boutique, anime, umami)

The model uses BIO encoding to account for multitoken borrowings.

⚠ This is not the best-performing model for this task. For the best-performing model (F1=85.76) see Flair model.

Metrics (on the test set)

The following table summarizes the results obtained on the test set of the COALAS corpus.

LABELPrecisionRecallF1
ALL88.0979.4683.55
ENG88.4482.1685.19
OTHER37.56.5211.11

Dataset

This model was trained on COALAS, a corpus of Spanish newswire annotated with unassimilated lexical borrowings. The corpus contains 370,000 tokens and includes various written media written in European Spanish. The test set was designed to be as difficult as possible: it covers sources and dates not seen in the training set, includes a high number of OOV words (92% of the borrowings in the test set are OOV) and is very borrowing-dense (20 borrowings per 1,000 tokens).

SetTokensENGOTHERUnique
Training231,1261,49328380
Development82,57830649316
Test58,9971,23946987
Total372,7013,0381231,683

More info

More information about the dataset, model experimentation and error analysis can be found in the paper: Detecting Unassimilated Borrowings in Spanish: An Annotated Corpus and Approaches to Modeling.

How to use

from transformers import pipeline, AutoModelForTokenClassification, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("lirondos/anglicisms-spanish-mbert")
model = AutoModelForTokenClassification.from_pretrained("lirondos/anglicisms-spanish-mbert")
nlp = pipeline("ner", model=model, tokenizer=tokenizer)

example = example = "Buscamos data scientist para proyecto de machine learning."

borrowings = nlp(example)
print(borrowings)

Citation

If you use this model, please cite the following reference:

@inproceedings{alvarez-mellado-lignos-2022-detecting,
    title = "Detecting Unassimilated Borrowings in {S}panish: {A}n Annotated Corpus and Approaches to Modeling",
    author = "{\'A}lvarez-Mellado, Elena  and
      Lignos, Constantine",
    booktitle = "Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)",
    month = may,
    year = "2022",
    address = "Dublin, Ireland",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2022.acl-long.268",
    pages = "3868--3888",
    abstract = "This work presents a new resource for borrowing identification and analyzes the performance and errors of several models on this task. We introduce a new annotated corpus of Spanish newswire rich in unassimilated lexical borrowings{---}words from one language that are introduced into another without orthographic adaptation{---}and use it to evaluate how several sequence labeling models (CRF, BiLSTM-CRF, and Transformer-based models) perform. The corpus contains 370,000 tokens and is larger, more borrowing-dense, OOV-rich, and topic-varied than previous corpora available for this task. Our results show that a BiLSTM-CRF model fed with subword embeddings along with either Transformer-based embeddings pretrained on codeswitched data or a combination of contextualized word embeddings outperforms results obtained by a multilingual BERT-based model.",
}

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForTokenClassification
Ревизия весов
11e819e

0 моделей