Pass It On Text Generation
1.0.0
Readme- 老司机版
Model Corpus + Code + Dilatih untuk "Lewati di" Bilibili Meme.
Repositori ini dapat membantu mempelajari propagasi rumor dari mulut ke mulut, terutama tentang bagaimana orang merumuskan kembali dan membuat rumor (atau fakta) semakin mengejutkan (kadang-kadang lucu) ketika mereka meneruskannya dan pada ...
Sementara itu, "lewati itu" juga merupakan meme bilibili. Orang-orang akan menulis komentar di video atau posting yang mencoba secara sengaja salah menafsirkan apa arti pengunggah awalnya, menghasilkan propagasi dari mulut ke mulut yang lucu.
python 3.6
tensorflow 1.14.0
bert4keras 0.10.6
jieba
Kami menyediakan corpus dengan komentar bilibili 3W menggunakan pola "Lewati pada" meme bilibili (yaitu, komentar yang dimulai dengan "Lewati,")
Kami terutama merangkak komentar video/postingan dari "Top 100 Ungtloaders of the Year" selama 3 tahun terakhir. Beberapa saluran dengan jutaan pengikut seperti dampak Genshin juga termasuk juga. Perhatikan bahwa korpus jauh dari cukup besar untuk mewakili distribusi pengguna/komentar bilibili penuh.
Data asli disimpan sebagai "corpus.json" di folder data, dan ini adalah daftar kamus.
{
"context": {
"bvid": "BV1Gb4y167gE",
"uid": "476704454"
},
"rumors": [
{
"source": "热情的舟山人民把小文哥当海鲜吃了",
"propagations": []
},
{
"source": "5147779123",
"propagations": [
"舟山的海鲜把小文哥吃了",
"舟山的海鲜想让小文哥吃人",
"热情的小文哥把海鲜当成舟山人民吃了",
"小文哥热情地把舟山上的海鲜吃了",
"热情的海鲜在舟山到处吃小文哥",
"热情的舟山海鲜把小文哥给吃了。",
"舟山的热情海鲜把小文哥吃了",
"小文哥带着热情的海鲜把舟山吃了"
]
},
{
"source": "小文哥把舟山人民配海鲜吃了",
"propagations": []
}
]
},
{
"context": {
"bvid": "BV1Bw411d7r8",
"uid": "476704454"
},
"rumors": [
{
"source": "小文哥吃了兄弟家一山头的桃",
"propagations": []
}
]
}
Semua data dikumpulkan dari video bilibili atau posting komentar. Ketika seseorang menulis komentar dengan pola "lewati itu", orang lain akan sering mengikuti dan meninggalkan sub-komentar dengan pola yang sama. Misalnya,
a comment : pass it on, the uploader says he likes this girl.
sub-comment-1: pass it on, the uploader likes to be a girl
sub-comment-2: pass it on, the uploader likes to be a boy
sub-comment-3: pass it on, the uploader is a girl
...
Untuk setiap elemen dalam data/corpus.json
context: # so that one could refer to source page
bvid: # video (post) id
uid: # user (uploader) id
rumors: # a list containing rumors
[
{
source: # source of rumors, might be a comment or just a comment_id (if source has no "pass it on" pattern)
propagations: # list of sub-comments, spreading the source in time order
},
{source, propagations},
{source, propagations},
...
]
Kami juga memperoleh "data/kereta api", data pelatihan dengan format umum "kalimat 1 kali lipat" baris demi baris. Ini berisi 290.000 pasangan hukuman.
Kami memperlakukan tugas hanya sebagai pembuatan teks yang khas:
Tugas ini mirip dengan parafrase teks (menghasilkan kalimat serupa), tetapi kali ini meskipun ada formulasi kalimat yang serupa, kami juga ingin perubahan semantik dengan sengaja.
Selain itu, ada tantangan lain yang terletak pada hubungan satu-ke-banyak antara sumber dan propagasi.
Kami memanfaatkan model generasi-yang-di-Sim Roformer-SIM sebagai tulang punggung kami, karena ini adalah baseline yang diparafrasum teks yang bagus. Selain itu, untuk memodelkan hubungan sumber-propagasi satu-ke-banyak seperti yang disebutkan sebelumnya, kami menambahkan variabel laten dengan cara Plato, di mana token khusus disiapkan untuk memasukkan teks yang mewakili variabel laten. Karenanya belajar juga sedikit berbeda.
Catatan: Kami tidak 100% yakin bahwa implementasi model seperti plato kami benar [DOGE]
Kami open-source model kami untuk penggunaan publik. Ini adalah model roformer yang dimodifikasi 12-lapis.
Google Drive
Catatan $ your_model_path Direktori model model yang diunduh, maka Anda dapat menggunakan baris perintah untuk melakukan inferensi sebagai berikut:
python train_latent.py --do_predict --model_dir=$your_model_path --n=1 --topp=0.8 --text=any_text
input: up主喜欢小天使
========== predict:
传下去，up主疑似在天堂被天台感动
传下去，up喜欢天穹
传下去，up主家里有天星
传下去，天使喜欢戴眼镜的up主
传下去，up没有天堂
传下去，up叫天台来烤粉丝。
传下去，up每天早上要直播露脸
传下去，up下天生孩子
传下去，up到天台高产了
传下去，up上天堂了
传下去，up和天使吃了
传下去，楼主的那个帅小伙要穿天堂
传下去，up要cos女巫直播
传下去，天堂大up要爽了
传下去，up下天生孩子翻车了
传下去，up不是人
传下去，天天抽一个up吃8个小孩
传下去，三天之后，up主要被魅魔掏心脏了
input: 帝君喜欢吃花生米
========== predict:
传下去，帝君喜欢吃干净的小孩子。
传下去，帝君喜欢捆绑
传下去，帝君用生煎包吃花生米
传下去，帝君吃傻子吃腻了
传下去，喜欢帝君的来自花生米
传下去，花生米吃帝君
传下去，神像吃吃沙子
传下去，我吃帝君屁股
传下去，帝君身边有个米哈游
传下去，帝君只剩干了
传下去，仙跳墙使帝君心疼
传下去，帝君今天上了小通宵
传下去，帝君上床了
传下去，帝君没有下半身
传下去，帝君要炸百京贵妇
传下去，十个视频有了帝君
传下去，帝君会喂食尘神当生日礼物
传下去，视频下一次更新十个帝君
传下去，这个视频里有一年的课代表
input: 川建国要复辟了
========== predict:
传下去，川建国想要
传下去，川宝上任国君了
传下去，川宝变艾伦了
传下去，《不要传传》
传下去，川宝有天火了。
传下去，阿舅变成了川宝
传下去，川宝长大了也不会忘开
传下去，《川宝要制杖》
传下去，总之，川宝喜欢新衣服
传下去，齐格飞要斩四郎
传下去，老八要吃了川宝
传下去，川普不喜欢制杖
传下去，川团老表是孙笑川
传下去，三叔写盗墓笔记
传下去，川宝没有才浅是制杖
传下去，《川宝喜欢才浅制杖》
传下去，我要吃川宝老爷子
传下去，《我才是川宝喜欢的人》
传下去，全世界辣鸡都不用吃川宝！
传下去，有人冒充川宝想被粉丝上
Secara default, kami berlatih untuk 10 zaman dengan batch_size = 128. Didorong untuk menerapkan pos pemeriksaan pretrained. (misalnya, pada baris 30, checkpoint_path = "cina_roformer-sim-char-ft_l-12_h-768_a-12")
python train_latent.py --model_dir=$your_model_dir --train=data/train.samples
Karena ini benar-benar metode yang digerakkan data, model ini mungkin menghasilkan kalimat aneh atau tidak fluen untuk input yang tidak terlihat atau di luar domain, yang cukup masuk akal.
Ngomong -ngomong, korpus tambahan yang menarik disambut.
