Cnmbert MoE

🚀 CNMBert

このモデルは、拼音の略語を翻訳するために設計されており、Chinese - BERT - wwmをベースに訓練され、拼音略語の翻訳タスクに最適化されています。GPTモデルやGPT - 4oと比較して、SOTAの性能を達成しています。

🚀 クイックスタート

CNMBertは、拼音の略語を漢字に変換するタスクに特化したモデルです。このモデルは、Chinese-BERT-wwmをベースに、その事前学習タスクを変更することで、拼音略語の翻訳に適応させています。

✨ 主な機能

• 拼音略語の翻訳："bhys" を "不好意思" のように、拼音の略語を漢字に変換します。
• 高性能：GPTモデルやGPT - 4oと比較して、SOTAの性能を達成しています。

📦 インストール

このモデルを使用するには、必要なライブラリをインストールする必要があります。以下のコードを参考にしてください。

from transformers import AutoTokenizer, BertConfig
from CustomBertModel import predict
from MoELayer import BertWwmMoE

💻 使用例

基本的な使用法

モデルの読み込み

# use CNMBert with MoE
# To use CNMBert without MoE, replace all "Midsummra/CNMBert-MoE" with "Midsummra/CNMBert" and use BertForMaskedLM instead of using BertWwmMoE
tokenizer = AutoTokenizer.from_pretrained("Midsummra/CNMBert-MoE")
config = BertConfig.from_pretrained('Midsummra/CNMBert-MoE')
model = BertWwmMoE.from_pretrained('Midsummra/CNMBert-MoE', config=config).to('cuda')

# model = BertForMaskedLM.from_pretrained('Midsummra/CNMBert').to('cuda')

単語の予測

print(predict("我有两千kq", "kq", model, tokenizer)[:5])
print(predict("快去给魔理沙看b吧", "b", model, tokenizer[:5]))

高度な使用法

# 默认的predict函数使用束搜索
def predict(sentence: str, 
            predict_word: str,
            model,
            tokenizer,
            top_k=8,
            beam_size=16, # 束宽
            threshold=0.005, # 阈值
            fast_mode=True, # 是否使用快速模式
            strict_mode=True): # 是否对输出结果进行检查
            
# 使用回溯的无剪枝暴力搜索
def backtrack_predict(sentence: str,
            predict_word: str,
            model,
            tokenizer,
            top_k=10,
            fast_mode=True,
            strict_mode=True):

⚠️ 重要提示

由于BERT的自编码特性，导致其在预测MASK时，顺序不同会导致预测结果不同，如果启用fast_mode，则会正向和反向分别对输入进行预测，可以提升一点准确率(2%左右)，但是会带来更大的性能开销。

💡 使用建议

strict_mode会对输入进行检查，以判断其是否为一个真实存在的汉语词汇。

📚 ドキュメント

拼音略語とは

"bhys" を "不好意思"、"ys" を "原神" のように、拼音の頭文字を使って漢字を置き換える略語のことを指します。詳細については、大家为什么会讨厌缩写？ - 远方青木的回答 - 知乎を参照してください。

モデルの比較

• すべてのモデルは、同じ200万件のwikiおよび知乎のコーパスで訓練されています。
• QPSは、queries per secondのことです（現在はpredictをcで書き直していないため、性能は低いです...）。
• MRRは、平均逆順位（mean reciprocal rank）です。
• Accは、正解率（accuracy）です。

モデルの微調整方法

TrainExample.ipynbを参照してください。データセットの形式は、csvの最初の列が訓練するコーパスであれば問題ありません。

Q&A

Q: 精度が低いように感じます。 A: fast_modeとstrict_modeをFalseに設定してみてください。このモデルは、小さなデータセット（200万件）で事前学習されているため、汎化能力が低いのは当然です。より大きなデータセットや細分化された分野で微調整することができます。具体的な微調整方法は、Chinese-BERT-wwmと大きく変わりません。DataCollactorをCustomBertModel.pyのDataCollatorForMultiMaskに置き換えるだけです。

🔧 技術詳細

このモデルは、Chinese-BERT-wwmをベースに、その事前学習タスクを変更することで、拼音略語の翻訳に適応させています。

📄 ライセンス

このプロジェクトは、AGPL - 3.0ライセンスの下で公開されています。

引用

もしCNMBertの具体的な実装に興味がある場合は、以下の文献を参照してください。

@misc{feng2024cnmbertmodelhanyupinyin,
      title={CNMBert: A Model For Hanyu Pinyin Abbreviation to Character Conversion Task}, 
      author={Zishuo Feng and Feng Cao},
      year={2024},
      eprint={2411.11770},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2411.11770}, 
}