Rubert Tiny Toxicity

🚀 クイックスタート

このモデルは、cointegrated/rubert-tiny をファインチューニングしたもので、ソーシャルネットワークのコメントなど、短い非公式なロシア語テキストの毒性と不適切性を分類するために使用されます。

問題は、以下のクラスを持つマルチラベル分類として定式化されています。

• non-toxic：テキストが OK ML Cup コンペティションの意味で、侮辱、下品な言葉、脅威を含まない場合。
• insult
• obscenity
• threat
• dangerous：テキストが Babakov et.al. の意味で不適切であり、つまり話者の評判を傷つける可能性がある場合。

テキストが non-toxic であり、かつ dangerous でない場合、そのテキストは安全と見なすことができます。

💻 使用例

基本的な使用法

以下の関数は、テキストが有毒または危険である確率を推定します。

# !pip install transformers sentencepiece --quiet
import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

model_checkpoint = 'cointegrated/rubert-tiny-toxicity'
tokenizer = AutoTokenizer.from_pretrained(model_checkpoint)
model = AutoModelForSequenceClassification.from_pretrained(model_checkpoint)
if torch.cuda.is_available():
    model.cuda()
    
def text2toxicity(text, aggregate=True):
    """ Calculate toxicity of a text (if aggregate=True) or a vector of toxicity aspects (if aggregate=False)"""
    with torch.no_grad():
        inputs = tokenizer(text, return_tensors='pt', truncation=True, padding=True).to(model.device)
        proba = torch.sigmoid(model(**inputs).logits).cpu().numpy()
    if isinstance(text, str):
        proba = proba[0]
    if aggregate:
        return 1 - proba.T[0] * (1 - proba.T[-1])
    return proba

print(text2toxicity('я люблю нигеров', True))
# 0.9350118728093193

print(text2toxicity('я люблю нигеров', False))
# [0.9715758  0.0180863  0.0045551  0.00189755 0.9331106 ]

print(text2toxicity(['я люблю нигеров', 'я люблю африканцев'], True))
# [0.93501186 0.04156357]

print(text2toxicity(['я люблю нигеров', 'я люблю африканцев'], False))
# [[9.7157580e-01 1.8086294e-02 4.5550885e-03 1.8975559e-03 9.3311059e-01]
#  [9.9979788e-01 1.9048342e-04 1.5297388e-04 1.7452303e-04 4.1369814e-02]]

🔧 技術詳細

このモデルは、OK ML Cup と Babakov et.al. の結合データセットを使用して、Adam オプティマイザー、学習率 1e-5、バッチサイズ 64 で 15 エポック、このColabノートブック で学習されました。

テキストの不適切性スコアが 0.8 より高い場合、そのテキストは不適切と見なされ、0.2 より低い場合、適切と見なされます。開発セットにおけるラベルごとのROC AUCは以下の通りです。

non-toxic  : 0.9937
insult     : 0.9912
obscenity  : 0.9881
threat     : 0.9910
dangerous  : 0.8295