/ Модель

Характеристики

Контекст
130 токенов
Параметры
136 млн
Архитектура
roberta · dense
Опубликована
2 мар 2022

robertuito-base-uncased

Заполнение пропусковТекст → текст3 профессии

Предварительно обученная модель RoBERTa для испанских текстов из социальных сетей, предназначенная для заполнения пропусков и последующего дообучения под задачи анализа сообщений.

4 588скачиваний за 30 дней14лайковвеса обновлены22 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

RoBERTuito uncased — предварительно обученная языковая модель на архитектуре RoBERTa для испанских текстов из социальных сетей. Её разработали авторы проекта pysentimiento; при обучении использовали 500 миллионов твитов. Эта версия не различает регистр букв. Модель содержит 136,3 млн параметров, принимает текст и имеет контекст до 130 токенов.

Модель предназначена для заполнения пропусков в тексте: специальный токен маски заменяется вероятным словом или фрагментом. Её также можно дообучить для анализа испанских сообщений, например для определения тональности, эмоций, иронии и языка вражды. В оценке на этих задачах RoBERTuito превзошла несколько других предварительно обученных моделей испанского языка, однако эти результаты сами по себе не означают, что базовая модель выполняет классификацию без дополнительного обучения. В карточке не указана лицензия.

Сценарии применения

  • подстановка пропущенных слов в испанских сообщениях
  • дообучение классификатора тональности испанских твитов
  • дообучение модели для определения эмоций в сообщениях
  • дообучение модели для выявления иронии в испанском тексте
  • дообучение модели для обнаружения языка вражды в соцсетях

Ограничения

Контекст ограничен 130 токенами; для классификации тональности, эмоций, иронии или языка вражды модель потребуется дообучить. Лицензия в предоставленных данных не указана.

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

robertuito-base-uncased

RoBERTuito

A pre-trained language model for social media text in Spanish

PAPER Github Repository Test it in Colab

RoBERTuito is a pre-trained language model for user-generated content in Spanish, trained following RoBERTa guidelines on 500 million tweets. RoBERTuito comes in 3 flavors: cased, uncased, and uncased+deaccented.

We tested RoBERTuito on a benchmark of tasks involving user-generated text in Spanish. It outperforms other pre-trained language models for this language such as BETO, BERTin and RoBERTa-BNE. The 4 tasks selected for evaluation were: Hate Speech Detection (using SemEval 2019 Task 5, HatEval dataset), Sentiment and Emotion Analysis (using TASS 2020 datasets), and Irony detection (using IrosVa 2019 dataset).

modelhate speechsentiment analysisemotion analysisirony detectionscore
robertuito-uncased0.801 ± 0.0100.707 ± 0.0040.551 ± 0.0110.736 ± 0.0080.6987
robertuito-deacc0.798 ± 0.0080.702 ± 0.0040.543 ± 0.0150.740 ± 0.0060.6958
robertuito-cased0.790 ± 0.0120.701 ± 0.0120.519 ± 0.0320.719 ± 0.0230.6822
roberta-bne0.766 ± 0.0150.669 ± 0.0060.533 ± 0.0110.723 ± 0.0170.6726
bertin0.767 ± 0.0050.665 ± 0.0030.518 ± 0.0120.716 ± 0.0080.6666
beto-cased0.768 ± 0.0120.665 ± 0.0040.521 ± 0.0120.706 ± 0.0070.6651
beto-uncased0.757 ± 0.0120.649 ± 0.0050.521 ± 0.0060.702 ± 0.0080.6571

We release the pre-trained models on huggingface model hub:

Masked LM

To test the masked LM, take into account that space is encoded inside SentencePiece's tokens. So, if you want to test

Este es un día<mask>

don't put a space between día and <mask>

Usage

IMPORTANT -- READ THIS FIRST

RoBERTuito is not yet fully-integrated into huggingface/transformers. To use it, first install pysentimiento

pip install pysentimiento

and preprocess text using pysentimiento.preprocessing.preprocess_tweet before feeding it into the tokenizer

from transformers import AutoTokenizer
from pysentimiento.preprocessing import preprocess_tweet

tokenizer = AutoTokenizer.from_pretrained('pysentimiento/robertuito-base-cased')

text = "Esto es un tweet estoy usando #Robertuito @pysentimiento 🤣"
preprocessed_text = preprocess_tweet(text, ha)

tokenizer.tokenize(preprocessed_text)
# ['<s>','▁Esto','▁es','▁un','▁tweet','▁estoy','▁usando','▁','▁hashtag','▁','▁ro','bert','uito','▁@usuario','▁','▁emoji','▁cara','▁revolviéndose','▁de','▁la','▁risa','▁emoji','</s>']

We are working on integrating this preprocessing step into a Tokenizer within transformers library

Check a text classification example in this notebook: Test it in Colab

Citation

If you use RoBERTuito, please cite our paper:

@inproceedings{perez-etal-2022-robertuito,
    title = "{R}o{BERT}uito: a pre-trained language model for social media text in {S}panish",
    author = "P{\'e}rez, Juan Manuel  and
      Furman, Dami{\'a}n Ariel  and
      Alonso Alemany, Laura  and
      Luque, Franco M.",
    booktitle = "Proceedings of the Thirteenth Language Resources and Evaluation Conference",
    month = jun,
    year = "2022",
    address = "Marseille, France",
    publisher = "European Language Resources Association",
    url = "https://aclanthology.org/2022.lrec-1.785",
    pages = "7235--7243",
    abstract = "Since BERT appeared, Transformer language models and transfer learning have become state-of-the-art for natural language processing tasks. Recently, some works geared towards pre-training specially-crafted models for particular domains, such as scientific papers, medical documents, user-generated texts, among others. These domain-specific models have been shown to improve performance significantly in most tasks; however, for languages other than English, such models are not widely available. In this work, we present RoBERTuito, a pre-trained language model for user-generated text in Spanish, trained on over 500 million tweets. Experiments on a benchmark of tasks involving user-generated text showed that RoBERTuito outperformed other pre-trained language models in Spanish. In addition to this, our model has some cross-lingual abilities, achieving top results for English-Spanish tasks of the Linguistic Code-Switching Evaluation benchmark (LinCE) and also competitive performance against monolingual models in English Twitter tasks. To facilitate further research, we make RoBERTuito publicly available at the HuggingFace model hub together with the dataset used to pre-train it.",
}

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
RobertaForMaskedLM
Ревизия весов
20cb399

0 моделей