Bart Large Gigaword

🚀 BART for Gigaword

本項目基於facebook/bart-large-cnn模型，針對Gigaword數據集進行微調，旨在實現文本摘要生成功能。該模型在Gigaword測試集上取得了不錯的ROUGE指標成績，為文本摘要任務提供了有效的解決方案。

🚀 快速開始

本模型是通過對facebook/bart-large-cnn（同樣可在HuggingFace上獲取）的權重針對Gigaword數據集進行微調得到的。模型在Gigaword訓練集上進行了3個輪次的微調，並保留了在訓練集批次上ROUGE - 1分數最高的模型。

在微調過程中使用了適用於CNN - Dailymail的BART分詞器，當執行以下代碼時，會自動加載該分詞器：

from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("a1noack/bart-large-gigaword")

💻 使用示例

基礎用法

# 此代碼用於加載適用於Gigaword的BART分詞器
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("a1noack/bart-large-gigaword")

高級用法

# 此代碼用於在Gigaword數據集上進行摘要生成
# text_list是輸入文本字符串的列表
input_ids_list = tokenizer(text_list, truncation=True, max_length=128, 
        return_tensors='pt', padding=True)['input_ids']
output_ids_list = model.generate(input_ids_list, min_length=0)
outputs_list = tokenizer.batch_decode(output_ids_list, skip_special_tokens=True, 
        clean_up_tokenization_spaces=False)

📚 詳細文檔

摘要生成

本模型在Gigaword測試集上實現了ROUGE - 1 / ROUGE - 2 / ROUGE - L為37.28 / 18.58 / 34.53的成績；與PEGASUS模型google/pegasus - gigaword（其成績為39.12 / 19.86 / 36.24）相比，表現相當不錯。

若要得到這些結果，可使用上述代碼生成文本，其中text_list是輸入文本字符串的列表。

📄 許可證

本項目採用MIT許可證。