Robertuito Base Uncased

🚀 RoBERTuito

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。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+アクセント記号なしの3種類があります。

🚀 クイックスタート

RoBERTuitoは、スペイン語のユーザー生成テキストに関するタスクのベンチマークでテストされています。BETO、BERTin、RoBERTa - BNEなどの他のスペイン語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。

論文 Githubリポジトリ

✨ 主な機能

• スペイン語のユーザー生成コンテンツに特化した事前学習言語モデル。
• 3種類のバリエーション（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+アクセント記号なし）が用意されている。
• 複数のタスクで他のスペイン語の事前学習言語モデルを上回る性能を発揮する。

📦 インストール

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

💻 使用例

基本的な使用法

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>']

高度な使用法

テキスト分類の例はこのノートブックで確認できます。

📚 ドキュメント

マスク付き言語モデル（Masked LM）のテスト

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。

使用上の注意

⚠️ 重要な注意事項

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、pysentimientoをインストールし、テキストをトークナイザーに入力する前にpysentimiento.preprocessing.preprocess_tweetを使用して前処理を行ってください。

モデルの公開

事前学習済みモデルはhuggingfaceモデルハブで公開されています。

• RoBERTuito 大文字小文字区別なし
• RoBERTuito 大文字小文字区別あり
• RoBERTuito 大文字小文字区別なし+アクセント記号なし

評価結果

📄 ライセンス

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.",
}