/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
xlm · dense

unihanlm-base

ЭмбеддингиТекст → embedding3 профессии

UnihanLM — XLM-модель для извлечения признаков из китайского и японского текста с учетом сходства иероглифов.

101скачиваний за 30 дней5лайковвеса обновлены22 сен 2021

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

UnihanLM — маскированная языковая модель для китайского и японского языков, разработанная для использования общих знаний о сходных иероглифах. Она обучена в два этапа: сначала похожие по морфологии символы объединяются в кластеры для грубого предобучения, затем заменяются исходными символами для обучения более точным представлениям. Модель построена на архитектуре XLM и предназначена для извлечения признаков и представлений текста в моноязычных и межъязыковых задачах NLP для китайского и японского языков. Контекст — до 512 токенов; веса доступны в форматах PyTorch и TensorFlow.

Модель обучена на китайской и японской Википедии и оценивалась на соответствующих NLP-бенчмарках. Из-за источника обучающих данных она может хуже работать с неформальным текстом; английские слова токенизируются посимвольно. Лицензия — Apache-2.0.

Сценарии применения

  • получение представлений китайских текстов
  • получение представлений японских текстов
  • межъязыковой анализ китайских и японских текстов
  • извлечение признаков для NLP-бенчмарков на китайском и японском языках

Ограничения

Обучение только на Википедии может ухудшать качество на неформальных текстах. Английские слова токенизируются посимвольно.

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

Unihan LM: Coarse-to-Fine Chinese-Japanese Language Model Pretraining with the Unihan Database

Model description

Chinese and Japanese share many characters with similar surface morphology. To better utilize the shared knowledge across the languages, we propose UnihanLM, a self-supervised Chinese-Japanese pretrained masked language model (MLM) with a novel two-stage coarse-to-fine training approach. We exploit Unihan, a ready-made database constructed by linguistic experts to first merge morphologically similar characters into clusters. The resulting clusters are used to replace the original characters in sentences for the coarse-grained pretraining of the MLM. Then, we restore the clusters back to the original characters in sentences for the fine-grained pretraining to learn the representation of the specific characters. We conduct extensive experiments on a variety of Chinese and Japanese NLP benchmarks, showing that our proposed UnihanLM is effective on both mono- and cross-lingual Chinese and Japanese tasks, shedding light on a new path to exploit the homology of languages. Paper

Intended uses & limitations

How to use

Use it like how you use XLM :)

Limitations and bias

The training corpus is solely from Wikipedia so the model may perform worse on informal text data. Be careful with English words! The tokenizer would cut it to characters.

Training data

We use Chinese and Japanese Wikipedia to train the model.

Training procedure

Please refer to our paper: https://www.aclweb.org/anthology/2020.aacl-main.24/

Eval results

Please refer to our paper: https://www.aclweb.org/anthology/2020.aacl-main.24/

BibTeX entry and citation info

@inproceedings{xu-etal-2020-unihanlm,
    title = "{U}nihan{LM}: Coarse-to-Fine {C}hinese-{J}apanese Language Model Pretraining with the Unihan Database",
    author = "Xu, Canwen  and
      Ge, Tao  and
      Li, Chenliang  and
      Wei, Furu",
    booktitle = "Proceedings of the 1st Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics and the 10th International Joint Conference on Natural Language Processing",
    month = dec,
    year = "2020",
    address = "Suzhou, China",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/2020.aacl-main.24",
    pages = "201--211"
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMModel
Ревизия весов
af5693b

0 моделей