/ Модель

Характеристики

Контекст
512 токенов
Параметры
20,3 млн
Лицензия
Apache 2.0
Архитектура
electra · dense
Опубликована
2 мар 2022

electra-hongkongese-small-discriminator

Языковая модель3 профессии

Компактная предобученная ELECTRA-модель для гонконгского кантонского и китайского текста, которую можно дообучить для последующих NLP-задач.

23скачиваний за 30 дней3лайкавеса обновлены25 фев 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

Это компактная модель ELECTRA, обученная авторами toastynews на корпусе из Гонконга как альтернатива стандартным китайским моделям. В обучающих данных около 507 млн символов: примерно 30% корпуса составляет гонконгский кантонский (Yue), 62% — стандартный китайский и 8% — английский. Корпус включает новости, блоги, Википедию Yue, отзывы о ресторанах и другие источники.

Модель содержит 20,3 млн параметров, использует архитектуру ELECTRA для предобучения и поддерживает контекст до 512 токенов. Она предназначена как основа для дообучения под задачи на текстах Гонконга; для прикладных задач потребуется дальнейший fine-tuning. По приведённым оценкам она показывает результаты, сопоставимые с китайской моделью на нескольких тестах, включая анализ тональности отзывов.

Модель может быть полезна для задач, ориентированных на языковое употребление жителей Гонконга, однако объём знаний у неё может уступать более крупным китайским моделям. Обучающие данные преимущественно состоят из новостей и блогов, поэтому модель может быть смещена в сторону формального языка. Лицензия — Apache 2.0.

Сценарии применения

  • дообучение классификатора текстов на кантонском Гонконга
  • анализ тональности отзывов о ресторанах
  • классификация сообщений и обсуждений на Yue
  • извлечение ответов из китайских текстов после дообучения
  • адаптация NLP-систем к языковому употреблению в Гонконге

Ограничения

Для прикладных downstream-задач требуется дополнительное дообучение. Корпус сравнительно ограничен по объёму и преимущественно состоит из новостей и блогов, поэтому модель может иметь меньше фоновых знаний и смещение в сторону формального языка.

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

ELECTRA Hongkongese Small

Model description

ELECTRA trained exclusively with data from Hong Kong. A signaficant amount of Hongkongese/Cantonese/Yue is included in the training data.

Intended uses & limitations

This model is an alternative to Chinese models. It may offer better performance for tasks catering to the langauge usage of Hong Kongers. Yue Wikipedia is used which is much smaller than Chinese Wikipedia; this model will lack the breath of knowledge compared to other Chinese models.

How to use

This is the small model trained from the official repo. Further finetuning will be needed for use on downstream tasks. Other model sizes are also available.

Limitations and bias

The training data consists of mostly news articles and blogs. There is probably a bias towards formal language usage.

Training data

The following is the list of data sources. Total characters is about 507M.

Data%
News Articles / Blogs58%
Yue Wikipedia / EVCHK18%
Restaurant Reviews12%
Forum Threads12%
Online Fiction1%

The following is the distribution of different languages within the corpus.

Language%
Standard Chinese62%
Hongkongese30%
English8%

Training procedure

Model was trained on a single TPUv3 from the official repo with the default parameters.

ParameterValue
Batch Size384
Max Sequence Size512
Generator Hidden Size1.0
Vocab Size30000

Research supported with Cloud TPUs from Google's TensorFlow Research Cloud (TFRC)

Eval results

Average evaluation task results over 10 runs. Comparison using the original repo model and code. Chinese models are available from Joint Laboratory of HIT and iFLYTEK Research (HFL)

ModelDRCD (EM/F1)openrice-sentilihkg-catwordshk-sem
Chinese78.5 / 85.677.963.779.2
Hongkongese76.7 / 84.479.062.680.0

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
ElectraForPreTraining
Ревизия весов
6c700b3

0 моделей