BERT pre-trained model using Korean e-commerce data (product names, option names, brands, sellers, categories, ... from sites 11st, naverstore, ...)
tokenzier: tkcho/commerce-tokenizer-kr
Epopcon.
Характеристики
- Контекст
- 512 токенов
- Параметры
- 146 млн
- Архитектура
- bert · dense
- Опубликована
- 13 сен 2023
Ссылки
commerce-bert-kr
Предварительно обученная на данных корейской электронной торговли BERT-модель для восстановления замаскированных токенов в торговых текстах.
7скачиваний за 30 дней0лайковвеса обновлены11 дек 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
Модель tkcho/commerce-bert-kr — предварительно обученная BERT-модель, созданная Epopcon на данных корейской электронной коммерции: названиях товаров и опций, брендах, продавцах и категориях с площадок, включая 11st и Naver Store. Она предназначена для языковых задач в контексте корейской торговли; основной доступный сценарий — восстановление замаскированных токенов в тексте. Модель имеет архитектуру BertForMaskedLM, содержит 145,5 млн параметров и принимает последовательности длиной до 512 токенов. Для токенизации указан tkcho/commerce-tokenizer-kr. Распространяется в формате PyTorch; сведения о лицензии в доступных данных отсутствуют.
Сценарии применения
- восстановление пропущенных слов в названиях товаров
- подстановка замаскированных брендов и категорий
- анализ текстов товарных опций
- языковая обработка корейских описаний товаров
Ограничения
Модель обучалась на текстах электронной коммерции и может хуже работать на текстах других областей. Лицензия в доступной карточке не указана.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934моделиI.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модельI.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · fill-mask
Подбираем GPU…
- Класс архитектуры
- BertForMaskedLM
- Ревизия весов
- d592cf1