Roberta Large Bne Capitel Pos

🚀 西班牙语RoBERTa-large模型：基于BNE数据训练并针对CAPITEL词性标注数据集微调

本模型是针对西班牙语的词性标注（POS）模型，在BNE数据上进行预训练，并针对CAPITEL词性标注数据集进行微调。它能够准确地为西班牙语句子中的每个词汇标注词性，为自然语言处理任务提供基础支持。

🚀 快速开始

模型描述

roberta-large-bne-capitel-pos 是一个用于西班牙语的词性标注（POS）模型，它基于 roberta-large-bne 模型进行微调。而 roberta-large-bne 是一个 RoBERTa 大型模型，它使用了迄今为止已知的最大西班牙语语料库进行预训练，该语料库包含总计570GB的干净且去重的文本，这些文本是从 西班牙国家图书馆（Biblioteca Nacional de España） 在2009年至2019年期间进行的网络爬取数据中处理而来。

预期用途和限制

roberta-large-bne-capitel-pos 模型可用于对西班牙语文本进行词性标注（POS）。不过，该模型受其训练数据集的限制，可能无法在所有用例中都有良好的泛化表现。

如何使用

以下是使用此模型的示例代码：

from transformers import pipeline
from pprint import pprint

nlp = pipeline("token-classification", model="PlanTL-GOB-ES/roberta-large-bne-capitel-pos")
example = "El alcalde de Vigo, Abel Caballero, ha comenzado a colocar las luces de Navidad en agosto."

pos_results = nlp(example)
pprint(pos_results)

限制和偏差

在提交时，尚未采取措施来估计模型中嵌入的偏差。然而，我们深知由于语料库是通过在多个网络源上进行爬取技术收集的，我们的模型可能存在偏差。我们计划在未来对这些领域进行研究，如果完成研究，此模型卡片将进行更新。

训练

训练数据

使用的数据集来自 2020年IberLEF的CAPITEL竞赛（子任务2）。

训练过程

该模型以16的批量大小和3e - 5的学习率进行了5个周期的训练。然后，我们使用相应开发集上的下游任务指标选择了最佳检查点，并在测试集上进行了评估。

评估

变量和指标

此模型在微调时以最大化F1分数为目标。

评估结果

我们在CAPITEL - POS测试集上对 roberta-large-bne-capitel-pos 模型与标准的多语言和单语言基线模型进行了评估：

更多详细信息，请查看官方 GitHub仓库 中的微调与评估脚本。

附加信息

作者

巴塞罗那超级计算中心的文本挖掘单元（TeMU）（bsc - temu@bsc.es）

联系信息

如需更多信息，请发送电子邮件至 <plantl - gob - es@bsc.es>

版权

版权归西班牙数字化与人工智能国务秘书处（SEDIA）所有（2022）

许可信息

Apache许可证，版本2.0

资金支持

这项工作由西班牙数字化与人工智能国务秘书处（SEDIA）在Plan - TL框架内提供资金支持。

引用信息

如果您使用此模型，请引用我们的 论文：

@article{,
   abstract = {We want to thank the National Library of Spain for such a large effort on the data gathering and the Future of Computing Center, a
Barcelona Supercomputing Center and IBM initiative (2020). This work was funded by the Spanish State Secretariat for Digitalization and Artificial
Intelligence (SEDIA) within the framework of the Plan-TL.},
   author = {Asier Gutiérrez Fandiño and Jordi Armengol Estapé and Marc Pàmies and Joan Llop Palao and Joaquin Silveira Ocampo and Casimiro Pio Carrino and Carme Armentano Oller and Carlos Rodriguez Penagos and Aitor Gonzalez Agirre and Marta Villegas},
   doi = {10.26342/2022-68-3},
   issn = {1135-5948},
   journal = {Procesamiento del Lenguaje Natural},
   keywords = {Artificial intelligence,Benchmarking,Data processing.,MarIA,Natural language processing,Spanish language modelling,Spanish language resources,Tractament del llenguatge natural (Informàtica),Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Llenguatge natural},
   publisher = {Sociedad Española para el Procesamiento del Lenguaje Natural},
   title = {MarIA: Spanish Language Models},
   volume = {68},
   url = {https://upcommons.upc.edu/handle/2117/367156#.YyMTB4X9A-0.mendeley},
   year = {2022},
}

免责声明

本仓库中发布的模型旨在用于通用目的，并可供第三方使用。这些模型可能存在偏差和/或其他不良扭曲。

当第三方使用这些模型（或基于这些模型的系统）部署或向其他方提供系统和/或服务，或成为这些模型的用户时，他们应注意减轻使用这些模型带来的风险是他们的责任，并且在任何情况下，都应遵守适用的法规，包括有关人工智能使用的法规。

在任何情况下，模型的所有者（SEDIA - 西班牙数字化与人工智能国务秘书处）和创建者（BSC - 巴塞罗那超级计算中心）均不对第三方使用这些模型所产生的任何结果负责。