Bert Base Romanian Uncased V1

🚀 ルーマニア語用BERTモデル（bert-base-romanian-uncased-v1）

このモデルはルーマニア語用のBERT ベース かつ 小文字化 モデルで、15GBのコーパスで学習され、バージョンはです。

🚀 クイックスタート

使い方

from transformers import AutoTokenizer, AutoModel
import torch

# load tokenizer and model
tokenizer = AutoTokenizer.from_pretrained("dumitrescustefan/bert-base-romanian-uncased-v1", do_lower_case=True)
model = AutoModel.from_pretrained("dumitrescustefan/bert-base-romanian-uncased-v1")

# tokenize a sentence and run through the model
input_ids = torch.tensor(tokenizer.encode("Acesta este un test.", add_special_tokens=True)).unsqueeze(0)  # Batch size 1
outputs = model(input_ids)

# get encoding
last_hidden_states = outputs[0]  # The last hidden-state is the first element of the output tuple

⚠️ 重要提示

常にテキストをクレンジングする必要があります。モデルはセディラ文字の s と t で学習されていないため、これらをコンマ付きの文字に置き換えてください。

text = text.replace("ţ", "ț").replace("ş", "ș").replace("Ţ", "Ț").replace("Ş", "Ș")

これを行わないと、<UNK> の影響でパフォーマンスが低下し、単語あたりのトークン数が増えます。

🔧 技術詳細

評価

評価は、Universal Dependencies Romanian RRT のUPOS、XPOS、LAS、および RONEC に基づくNERタスクで行われます。詳細やここには示されていないより詳細なテストは、専用の評価ページに記載されています。

ベースラインは、Multilingual BERT モデル bert-base-multilingual-(un)cased です。これは、この記事の執筆時点でルーマニア語で動作する唯一の利用可能なBERTモデルでした。

コーパス

このモデルは以下のコーパスで学習されています（以下の表の統計はクレンジング後のものです）。

📄 ライセンス

このモデルはMITライセンスの下で提供されています。

📚 引用

もしこのモデルを研究論文で使用する場合は、以下の論文を引用していただけると幸いです。

Stefan Dumitrescu, Andrei-Marius Avram, and Sampo Pyysalo. 2020. The birth of Romanian BERT. In Findings of the Association for Computational Linguistics: EMNLP 2020, pages 4324–4328, Online. Association for Computational Linguistics.

または、bibtex形式では以下の通りです。

@inproceedings{dumitrescu-etal-2020-birth,
    title = "The birth of {R}omanian {BERT}",
    author = "Dumitrescu, Stefan  and
      Avram, Andrei-Marius  and
      Pyysalo, Sampo",
    booktitle = "Findings of the Association for Computational Linguistics: EMNLP 2020",
    month = nov,
    year = "2020",
    address = "Online",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2020.findings-emnlp.387",
    doi = "10.18653/v1/2020.findings-emnlp.387",
    pages = "4324--4328",
}

謝辞

• TurkuNLPの Sampo Pyysalo 氏には、v1.0 BERTモデルの事前学習に必要なコンピューティング資源を提供していただき、感謝申し上げます。彼は本当に素晴らしい方です！