/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
CC BY 4.0
Архитектура
xlm-roberta · dense
Опубликована
6 мая 2022

51-languages-classifier

Классификация текстаТекст → label6 профессий

Многоязычная модель XLM-RoBERTa определяет язык короткого текста среди 51 поддерживаемого языка.

1 556скачиваний за 30 дней35лайковвеса обновлены19 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

Многоязычный классификатор для определения языка коротких текстовых высказываний. Модель разработана Янисом Лабраком из NLP-команды Авиньонского университета и основана на XLM-RoBERTa; число параметров — 305,2 млн, максимальный контекст — 514 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY 4.0.

Модель обучена на параллельном наборе MASSIVE, включающем более миллиона высказываний на 51 языке для сценариев голосового ассистента. Она предназначена для распознавания языка входного текста и выдачи метки класса, например для маршрутизации запросов по языковой версии сервиса.

Заявлена поддержка 51 языка, включая русский, английский, китайский, арабский и хинди. Обучающие данные отражают короткие пользовательские запросы голосовому ассистенту, поэтому качество на длинных текстах, узкоспециализированных материалах и языковых вариантах вне списка может отличаться; численные результаты оценки в доступной карточке не приведены.

Сценарии применения

  • определение языка короткого пользовательского запроса
  • выбор языковой версии голосового ассистента
  • автоматическая маршрутизация текста по языковым обработчикам

Ограничения

Модель обучалась на коротких высказываниях для голосовых ассистентов, поэтому её точность на длинных или специализированных текстах может быть ниже. Численные результаты оценки в карточке не приведены.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

People Involved

Affiliations

  1. LIA, NLP team, Avignon University, Avignon, France.

Model

XLM-Roberta : https://huggingface.co/xlm-roberta-base

Paper : Unsupervised Cross-lingual Representation Learning at Scale

Demo: How to use in HuggingFace Transformers Pipeline

Requires transformers: pip install transformers

from transformers import AutoTokenizer, AutoModelForSequenceClassification, TextClassificationPipeline
model_name = 'qanastek/51-languages-classifier'
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)
classifier = TextClassificationPipeline(model=model, tokenizer=tokenizer)
res = classifier("פרק הבא בפודקאסט בבקשה")
print(res)

Outputs:

[{'label': 'he-IL', 'score': 0.9998375177383423}]

Training data

MASSIVE is a parallel dataset of > 1M utterances across 51 languages with annotations for the Natural Language Understanding tasks of intent prediction and slot annotation. Utterances span 60 intents and include 55 slot types. MASSIVE was created by localizing the SLURP dataset, composed of general Intelligent Voice Assistant single-shot interactions.

Languages

Thee model is capable of distinguish 51 languages :

  • Afrikaans - South Africa (af-ZA)
  • Amharic - Ethiopia (am-ET)
  • Arabic - Saudi Arabia (ar-SA)
  • Azeri - Azerbaijan (az-AZ)
  • Bengali - Bangladesh (bn-BD)
  • Chinese - China (zh-CN)
  • Chinese - Taiwan (zh-TW)
  • Danish - Denmark (da-DK)
  • German - Germany (de-DE)
  • Greek - Greece (el-GR)
  • English - United States (en-US)
  • Spanish - Spain (es-ES)
  • Farsi - Iran (fa-IR)
  • Finnish - Finland (fi-FI)
  • French - France (fr-FR)
  • Hebrew - Israel (he-IL)
  • Hungarian - Hungary (hu-HU)
  • Armenian - Armenia (hy-AM)
  • Indonesian - Indonesia (id-ID)
  • Icelandic - Iceland (is-IS)
  • Italian - Italy (it-IT)
  • Japanese - Japan (ja-JP)
  • Javanese - Indonesia (jv-ID)
  • Georgian - Georgia (ka-GE)
  • Khmer - Cambodia (km-KH)
  • Korean - Korea (ko-KR)
  • Latvian - Latvia (lv-LV)
  • Mongolian - Mongolia (mn-MN)
  • Malay - Malaysia (ms-MY)
  • Burmese - Myanmar (my-MM)
  • Norwegian - Norway (nb-NO)
  • Dutch - Netherlands (nl-NL)
  • Polish - Poland (pl-PL)
  • Portuguese - Portugal (pt-PT)
  • Romanian - Romania (ro-RO)
  • Russian - Russia (ru-RU)
  • Slovanian - Slovania (sl-SL)
  • Albanian - Albania (sq-AL)
  • Swedish - Sweden (sv-SE)
  • Swahili - Kenya (sw-KE)
  • Hindi - India (hi-IN)
  • Kannada - India (kn-IN)
  • Malayalam - India (ml-IN)
  • Tamil - India (ta-IN)
  • Telugu - India (te-IN)
  • Thai - Thailand (th-TH)
  • Tagalog - Philippines (tl-PH)
  • Turkish - Turkey (tr-TR)
  • Urdu - Pakistan (ur-PK)
  • Vietnamese - Vietnam (vi-VN)
  • Welsh - United Kingdom (cy-GB)

Evaluation results

              precision    recall  f1-score   support

       af-ZA     0.9821    0.9805    0.9813      2974
       am-ET     1.0000    1.0000    1.0000      2974
       ar-SA     0.9809    0.9822    0.9815      2974
       az-AZ     0.9946    0.9845    0.9895      2974
       bn-BD     0.9997    0.9990    0.9993      2974
       cy-GB     0.9970    0.9929    0.9949      2974
       da-DK     0.9575    0.9617    0.9596      2974
       de-DE     0.9906    0.9909    0.9908      2974
       el-GR     0.9997    0.9973    0.9985      2974
       en-US     0.9712    0.9866    0.9788      2974
       es-ES     0.9825    0.9842    0.9834      2974
       fa-IR     0.9940    0.9973    0.9956      2974
       fi-FI     0.9943    0.9946    0.9945      2974
       fr-FR     0.9963    0.9923    0.9943      2974
       he-IL     1.0000    0.9997    0.9998      2974
       hi-IN     1.0000    0.9980    0.9990      2974
       hu-HU     0.9983    0.9950    0.9966      2974
       hy-AM     1.0000    0.9993    0.9997      2974
       id-ID     0.9319    0.9291    0.9305      2974
       is-IS     0.9966    0.9943    0.9955      2974
       it-IT     0.9698    0.9926    0.9811      2974
       ja-JP     0.9987    0.9963    0.9975      2974
       jv-ID     0.9628    0.9744    0.9686      2974
       ka-GE     0.9993    0.9997    0.9995      2974
       km-KH     0.9867    0.9963    0.9915      2974
       kn-IN     1.0000    0.9993    0.9997      2974
       ko-KR     0.9917    0.9997    0.9956      2974
       lv-LV     0.9990    0.9950    0.9970      2974
       ml-IN     0.9997    0.9997    0.9997      2974
       mn-MN     0.9987    0.9966    0.9976      2974
       ms-MY     0.9359    0.9418    0.9388      2974
       my-MM     1.0000    0.9993    0.9997      2974
       nb-NO     0.9600    0.9533    0.9566      2974
       nl-NL     0.9850    0.9748    0.9799      2974
       pl-PL     0.9946    0.9923    0.9934      2974
       pt-PT     0.9885    0.9798    0.9841      2974
       ro-RO     0.9919    0.9916    0.9918      2974
       ru-RU     0.9976    0.9983    0.9980      2974
       sl-SL     0.9956    0.9939    0.9948      2974
       sq-AL     0.9936    0.9896    0.9916      2974
       sv-SE     0.9902    0.9842    0.9872      2974
       sw-KE     0.9867    0.9953    0.9910      2974
       ta-IN     1.0000    1.0000    1.0000      2974
       te-IN     1.0000    0.9997    0.9998      2974
       th-TH     1.0000    0.9983    0.9992      2974
       tl-PH     0.9929    0.9899    0.9914      2974
       tr-TR     0.9869    0.9872    0.9871      2974
       ur-PK     0.9983    0.9929    0.9956      2974
       vi-VN     0.9993    0.9973    0.9983      2974
       zh-CN     0.9812    0.9832    0.9822      2974
       zh-TW     0.9832    0.9815    0.9823      2974

    accuracy                         0.9889    151674
   macro avg     0.9889    0.9889    0.9889    151674
weighted avg     0.9889    0.9889    0.9889    151674

Keywords : language identification ; language identification ; multilingual ; classification

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaForSequenceClassification
Ревизия весов
966ca1a

0 моделей