🚀 UmBERTo Commoncrawl Cased

UmBERTo是一个基于Roberta的语言模型，在大型意大利语语料库上进行训练，并采用了两种创新方法：SentencePiece和全词掩码（Whole Word Masking）。现在可在github.com/huggingface/transformers获取。

Marco Lodola, Monument to Umberto Eco, Alessandria 2019

📦 安装指南

此部分原文档未提及具体安装步骤，故跳过。

✨ 主要特性

• 基于Roberta架构，在大型意大利语语料库上训练。
• 采用SentencePiece和全词掩码（Whole Word Masking）两种创新方法。

📚 详细文档

数据集

UmBERTo-Commoncrawl-Cased使用OSCAR的意大利语子语料库作为语言模型的训练集。我们使用了意大利语语料库的去重版本，该版本包含70GB的纯文本数据、2.1亿个句子和110亿个单词。为了用于自然语言处理研究，这些句子在行级别进行了过滤和打乱。

预训练模型

该模型使用SentencePiece和全词掩码（Whole Word Masking）进行训练。

下游任务

这些结果是关于umberto-commoncrawl-cased模型的。所有详细信息可在Umberto官方页面查看。

命名实体识别（NER）

词性标注（POS）

💻 使用示例

基础用法

import torch
from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("Musixmatch/umberto-commoncrawl-cased-v1")
umberto = AutoModel.from_pretrained("Musixmatch/umberto-commoncrawl-cased-v1")

encoded_input = tokenizer.encode("Umberto Eco è stato un grande scrittore")
input_ids = torch.tensor(encoded_input).unsqueeze(0)  # Batch size 1
outputs = umberto(input_ids)
last_hidden_states = outputs[0]  # The last hidden-state is the first element of the output

高级用法

from transformers import pipeline

fill_mask = pipeline(
    "fill-mask",
    model="Musixmatch/umberto-commoncrawl-cased-v1",
    tokenizer="Musixmatch/umberto-commoncrawl-cased-v1"
)

result = fill_mask("Umberto Eco è <mask> un grande scrittore")
# {'sequence': '<s> Umberto Eco è considerato un grande scrittore</s>', 'score': 0.18599839508533478, 'token': 5032}
# {'sequence': '<s> Umberto Eco è stato un grande scrittore</s>', 'score': 0.17816807329654694, 'token': 471}
# {'sequence': '<s> Umberto Eco è sicuramente un grande scrittore</s>', 'score': 0.16565583646297455, 'token': 2654}
# {'sequence': '<s> Umberto Eco è indubbiamente un grande scrittore</s>', 'score': 0.0932890921831131, 'token': 17908}
# {'sequence': '<s> Umberto Eco è certamente un grande scrittore</s>', 'score': 0.054701317101716995, 'token': 5269}

📄 许可证

所有原始数据集都是公开可用的，或者是在所有者授权下发布的。这些数据集均在CC0或CCBY许可证下发布。

• UD Italian-ISDT数据集 Github
• UD Italian-ParTUT数据集 Github
• I-CAB（意大利语内容标注库），EvalITA 页面
• WIKINER 页面，论文

@inproceedings {magnini2006annotazione,
    title = {Annotazione di contenuti concettuali in un corpus italiano: I - CAB},
    author = {Magnini,Bernardo and Cappelli,Amedeo and Pianta,Emanuele and Speranza,Manuela and Bartalesi Lenzi,V and Sprugnoli,Rachele and Romano,Lorenza and Girardi,Christian and Negri,Matteo},
    booktitle = {Proc.of SILFI 2006},
    year = {2006}
}
@inproceedings {magnini2006cab,
    title = {I - CAB: the Italian Content Annotation Bank.},
    author = {Magnini,Bernardo and Pianta,Emanuele and Girardi,Christian and Negri,Matteo and Romano,Lorenza and Speranza,Manuela and Lenzi,Valentina Bartalesi and Sprugnoli,Rachele},
    booktitle = {LREC},
    pages = {963--968},
    year = {2006},
    organization = {Citeseer}
}

👥 作者

• Loreto Parisi：loreto at musixmatch dot com，loretoparisi
• Simone Francia：simone.francia at musixmatch dot com，simonefrancia
• Paolo Magnani：paul.magnani95 at gmail dot com，paulthemagno

🏢 关于Musixmatch AI

我们在musixmatch进行机器学习和人工智能研究。 在Twitter Github上关注我们。