Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Лицензия: MIT
Архитектура: bert · dense
Опубликована: 6 июн 2022

Ссылки

Hugging Face

berturk-uncased-keyword-discriminator

yanekyuk

Разметка токеновТекст → label3 профессии

Дообученная турецкая BERT-модель для выделения ключевых слов посредством классификации токенов.

2 109скачиваний за 30 дней0лайковвеса обновлены6 июн 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

yanekyuk/berturk-uncased-keyword-discriminator — дообученная модель на архитектуре BERT для турецкого языка, предназначенная для классификации токенов и выделения ключевых слов. Она основана на dbmdz/bert-base-turkish-uncased и содержит 137,8 млн параметров. Модель принимает текст и выдаёт метки для его токенов; максимальная длина контекста — 512 токенов.

В карточке приведены результаты оценки: F1 0,6368, точность 0,6234 и полнота 0,6508. Набор обучения не назван, а разделы с описанием назначения и ограничений не содержат дополнительных сведений, поэтому качество на других данных и практические ограничения оценить нельзя. Модель распространяется по лицензии MIT.

Сценарии применения

выделение ключевых слов в турецком тексте
разметка токенов турецких документов
извлечение ключевых слов из турецких сообщений

Ограничения

Данные обучения не указаны, а приведённые метрики показывают умеренное качество на оценочном наборе; переносимость на другие данные не установлена. Максимальная длина контекста — 512 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

berturk-uncased-keyword-discriminator

This model is a fine-tuned version of dbmdz/bert-base-turkish-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.3989
Precision: 0.6234
Recall: 0.6508
Accuracy: 0.9145
F1: 0.6368
Ent/precision: 0.6435
Ent/accuracy: 0.7120
Ent/f1: 0.6761
Con/precision: 0.5834
Con/accuracy: 0.5475
Con/f1: 0.5649

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 8
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	Accuracy	F1	Ent/precision	Ent/accuracy	Ent/f1	Con/precision	Con/accuracy	Con/f1
0.2005	1.0	1875	0.2104	0.5981	0.5978	0.9148	0.5979	0.6280	0.6665	0.6467	0.5383	0.4820	0.5086
0.1468	2.0	3750	0.2094	0.5996	0.6568	0.9164	0.6269	0.6285	0.7049	0.6645	0.5477	0.5757	0.5614
0.1124	3.0	5625	0.2372	0.6106	0.6679	0.9154	0.6380	0.6285	0.7270	0.6741	0.5753	0.5684	0.5718
0.0861	4.0	7500	0.2736	0.6133	0.6707	0.9145	0.6407	0.6281	0.7359	0.6777	0.5830	0.5606	0.5716
0.0644	5.0	9375	0.3081	0.6115	0.6683	0.9145	0.6386	0.6291	0.7293	0.6755	0.5764	0.5657	0.5710
0.0498	6.0	11250	0.3449	0.6245	0.6466	0.9149	0.6353	0.6380	0.7097	0.6720	0.5965	0.5401	0.5669
0.0401	7.0	13125	0.3838	0.6223	0.6545	0.9140	0.6380	0.6449	0.7100	0.6759	0.5790	0.5610	0.5699
0.0329	8.0	15000	0.3989	0.6234	0.6508	0.9145	0.6368	0.6435	0.7120	0.6761	0.5834	0.5475	0.5649

Framework versions

Transformers 4.19.2
Pytorch 1.11.0+cu113
Datasets 2.2.2
Tokenizers 0.12.1

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForTokenClassification
Ревизия весов: 622dcea