Robertuito Base Deacc

🚀 robertuito-base-deacc

RoBERTuitoは、スペイン語のソーシャルメディアテキスト向けの事前学習言語モデルです。5億件のツイートを使用してRoBERTaのガイドラインに沿って学習され、多様なタスクで高い性能を発揮します。

🚀 クイックスタート

RoBERTuitoは、スペイン語のユーザー生成コンテンツ用の事前学習言語モデルです。RoBERTaのガイドラインに沿って5億件のツイートで学習されています。このモデルには、大文字小文字区別あり、大文字小文字区別なし、大文字小文字区別なし+アクセント除去の3種類があります。

論文全文を読む Githubリポジトリ

✨ 主な機能

RoBERTuitoは、スペイン語のユーザー生成テキストを対象としたタスクのベンチマークでテストされています。BETO、BERTin、RoBERTa-BNEなどの他の事前学習言語モデルを上回る性能を発揮します。評価に選ばれた4つのタスクは、ヘイトスピーチ検出（SemEval 2019 Task 5、HatEvalデータセットを使用）、センチメントと感情分析（TASS 2020データセットを使用）、および皮肉検出（IrosVa 2019データセットを使用）です。

事前学習モデルは、huggingfaceモデルハブで公開されています。

• RoBERTuito uncased
• RoBERTuito cased
• RoBERTuito deacc

📚 ドキュメント

マスク付き言語モデル (Masked LM)

マスク付き言語モデルをテストする際には、空白がSentencePieceのトークン内にエンコードされていることに注意してください。たとえば、以下のようなテストを行う場合

Este es un día<mask>

díaと<mask>の間に空白を入れないでください。

使用方法

重要 -- 最初にこれを読んでください

RoBERTuitoはまだhuggingface/transformersに完全に統合されていません。使用するには、まずpysentimientoをインストールします。

pip install pysentimiento

そして、テキストをトークナイザーに入力する前に、pysentimiento.preprocessing.preprocess_tweetを使用してテキストを前処理します。

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>']

この前処理ステップをtransformersライブラリ内のトークナイザーに統合する作業を進めています。

テキスト分類の例は、このノートブックで確認できます。

引用

RoBERTuitoを使用する場合は、以下の論文を引用してください。

@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.",
}