BERTweet

Оглавление

1. Введение
2. Основные результаты
3. Использование Bertweet с transformers
   • Предварительно обученные модели
   • Пример использования
   • Нормализовать необработанные входные твиты
4. Использование Bertweet с fairseq

Bertweet: предварительно обученная языковая модель для английских твитов

Bertweet-первая публичная крупномасштабная языковая модель, предварительно обученная английским твитам. Bertweet обучается на основе процедуры предварительного обучения Роберты. Корпус, используемый для предварительного обучения Bertweet, состоит из 850-метровых английских твитов (токенов с словом 16b ~ 80 ГБ), содержащих 845 млн. Твиттов, транслируемых с 01/2012 по 08/2019 и 5M твитов, связанных с пандемией Covid-19 . Общая архитектура и экспериментальные результаты Bertweet можно найти в нашей статье:

 @inproceedings{bertweet,
title     = {{BERTweet: A pre-trained language model for English Tweets}},
author    = {Dat Quoc Nguyen and Thanh Vu and Anh Tuan Nguyen},
booktitle = {Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations},
pages     = {9--14},
year      = {2020}
}

Пожалуйста, процитируйте нашу статью, когда Bertweet используется для получения опубликованных результатов или включена в другое программное обеспечение.

Основные результаты

Использование Bertweet с transformers

Установка

• Установите transformers с помощью PIP: pip install transformers или установите transformers из Source.
  Обратите внимание, что мы объединили медленный токенизатор для Bertweet в основную ветвь transformers . Процесс слияния быстрого токенизатора для Bertweet находится в обсуждении, как упомянуто в этом запросе. Если пользователи хотели бы использовать быстрый токенизатор, пользователи могут устанавливать transformers следующим образом:

 git clone --single-branch --branch fast_tokenizers_BARTpho_PhoBERT_BERTweet https://github.com/datquocnguyen/transformers.git
cd transformers
pip3 install -e .

• Установите tokenizers с PIP: pip3 install tokenizers

Предварительно обученные модели

Модель	#Парамы	Архи	Максимальная длина	Предварительные данные
vinai/bertweet-base	135 м	база	128	850 м английские твиты (обшивка)
vinai/bertweet-covid19-base-cased	135 м	база	128	23M Covid-19 Английские твиты (обложка)
vinai/bertweet-covid19-base-uncased	135 м	база	128	23M Covid-19 Английские твиты (UNCASE)
vinai/bertweet-large	355M	большой	512	873M английские твиты (Cassed)

• 09/2020: две предварительно обученные модели vinai/bertweet-covid19-base-cased и vinai/bertweet-covid19-base-uncased в результате дальнейшего предварительного обучения предварительно обученной модели vinai/bertweet-base на корпусе 23-метрового английского твита Covid-19.
• 08/2021: выпустил vinai/bertweet-large .

Пример использования

 import torch
from transformers import AutoModel , AutoTokenizer 

bertweet = AutoModel . from_pretrained ( "vinai/bertweet-large" )

tokenizer = AutoTokenizer . from_pretrained ( "vinai/bertweet-large" )

# INPUT TWEET IS ALREADY NORMALIZED!
line = "DHEC confirms HTTPURL via @USER :crying_face:"

input_ids = torch . tensor ([ tokenizer . encode ( line )])

with torch . no_grad ():
    features = bertweet ( input_ids )  # Models outputs are now tuples
    
## With TensorFlow 2.0+:
# from transformers import TFAutoModel
# bertweet = TFAutoModel.from_pretrained("vinai/bertweet-large")

Нормализовать необработанные входные твиты

Перед тем, как применять BPE к корпусу предварительного обучения английских твитов, мы токенилировали эти твиты, используя TweetTokenizer из NLTK Toolkit и использовали пакет emoji , чтобы перевести значки эмоций в текстовые строки (здесь каждый значок называется токеном слова). Мы также нормализовали твиты, преобразовав упоминания пользователей и ссылки на веб -/URL в специальные токены @USER и HTTPURL соответственно. Таким образом, рекомендуется также применить тот же этап предварительной обработки для приложений на основе Bertweet, которые применяются в твитах необработанных входных твитов.

Учитывая необработанные входные твиты, чтобы получить те же результаты предварительной обработки, пользователи могут использовать наш модуль TweetNormalizer.

• Установка: pip3 install nltk emoji==0.6.0
• Версия emoji должна быть 0,5,4 или 0,6,0. Новые версии emoji были обновлены до более новых версий графиков смайликов, что не соответствует тому, что используется для предварительной обработки нашего до тренировочного корпуса.

 import torch
from transformers import AutoTokenizer
from TweetNormalizer import normalizeTweet

tokenizer = AutoTokenizer . from_pretrained ( "vinai/bertweet-large" )

line = normalizeTweet ( "DHEC confirms https://postandcourier.com/health/covid19/sc-has-first-two-presumptive-cases-of-coronavirus-dhec-confirms/article_bddfe4ae-5fd3-11ea-9ce4-5f495366cee6.html?utm_medium=social&utm_source=twitter&utm_campaign=user-share… via @postandcourier ?" )

input_ids = torch . tensor ([ tokenizer . encode ( line )])

Использование Bertweet с fairseq

Пожалуйста, смотрите подробности здесь!

Лицензия

 MIT License

Copyright (c) 2020-2021 VinAI

Permission is hereby granted, free of charge, to any person obtaining a copy
of this software and associated documentation files (the "Software"), to deal
in the Software without restriction, including without limitation the rights
to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
copies of the Software, and to permit persons to whom the Software is
furnished to do so, subject to the following conditions:

The above copyright notice and this permission notice shall be included in all
copies or substantial portions of the Software.

THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
SOFTWARE.