Моделі: lang-uk

NER–моделі для MITIE

Завдяки нашому проанотованому корпусу української мови ми мали змогу натренувати модель, що дозволяє автоматичний пошук іменованих сутностей (імен, географічних назв, назв компаній, тощо) у незнайомих текстах. Для пошуку NER сутностей ми обрали бібліотеку MITIE. Ця бібліотека є відкритою, її ліцензія дозволяє безкоштовне використання навіть у комерційних проектах. MITIE також забезпечує високу точність завдяки поєднанню звичних features для тексту та CCA embeddings. Хоч MITIE й написана на С++, вона також має інтерфейси для інших мов програмування: C, Python, Java, Matlab. Будь ласка, ознайомтеся з документацією по MITIE та прикладами використання перед початком роботи.

Для обчислення CCA embeddings ми використовували назбираний корпус українських новин, статей вікіпедії та художньої літератури.

Завантажити NER-модель для української мови

Ми також побудували модель для пошуку іменованих сутностей російською мовою, використовуючи анотований корпус підготовлений організаторами конференції Dialogue 2016. Для обчислення CCA embeddings ми використовували корпус статей російської вікіпедії.

Завантажити NER-модель для російської мови

Word embeddings (Word2Vec, GloVe, LexVec)

На базі зібраних нами корпусів новин, статей, художньої літератури, законів та юридичних текстів ми обчислили найпоширеніши word embeddings: Word2Vec (та його покращену версію LexVec) й GloVe. Ми вирішили опублікувати ці моделі, тому що їх обчислення займає доволі багато часу та серверних ресурсів.

Ми створили окремі моделі для кожної категорії текстів з 300d векторами. Ми також обчислили їх для лематизованих версій тих самих корпусів. Якщо вам потрібні інші налаштування моделей — скористайтеся корпусами, що ми підготували, та обчисліть моделі згідно ваших потреб.

Корпус	300d as is	300d lowercase	300d lemmatized	300d lemmatized lowercase
Художня література	LexVec 105MB Word2Vec 98MB GloVe 99MB	LexVec 100MB Word2Vec 93MB GloVe 94MB	LexVec 53MB Word2Vec 51MB GloVe 51MB	LexVec 53MB Word2Vec 50MB GloVe 50MB
Новини	LexVec 329MB Word2Vec 328MB GloVe 324MB	LexVec 296MB Word2Vec 296MB GloVe 292MB	LexVec 160MB Word2Vec 161MB GloVe 159MB	LexVec 156MB Word2Vec 157MB GloVe 155MB
Уберкорпус	LexVec 536MB Word2Vec 530MB GloVe 526MB	LexVec 483MB Word2Vec 480MB GloVe 476MB	LexVec 297MB Word2Vec 295MB GloVe 294MB	LexVec 291MB Word2Vec 289MB GloVe 288MB

За допомоги Тетяни Кодлюк для оцінки якості побудованих векторів були створені тестові набори, аналогичні тим, які існували для англійської мови.
Також були проведені оцінки якості, їх результати можна подивтись тут.

Параметри word2vec для малих корпусів (художня література):

./word2vec_standalone.py -size 300 -negative 7 -window 4 -threads 6 -min_count 10 -iter 5 -alpha 0.030

Параметри lexvec для малих корпусів (художня література):

./lexvec -dim 300 -verbose 2 -negative 7 -subsample 1e-3 -window 4 -threads 6 -minfreq 10 -iterations 5 -alpha 0.030

Параметри GloVe для малих корпусів (художня література):

MEMORY=4.0
VOCAB_MIN_COUNT=10
VECTOR_SIZE=300
MAX_ITER=15
WINDOW_SIZE=9
BINARY=2
NUM_THREADS=12
X_MAX=10:

Для великих корпусів minfreq дорівнює 25

Модель розширення тонального словнику

Для розширення тонального словнику Сергієм Шеховцовим та Олесєм Петрівим була побудована нейромережева модель, яка дозволяє шукати подібні до існуючих слів з використанням векторів word2vec та lexvec.

Приклади роботи з моделлю і її даними:

BERT моделі від Сергія Тютюнника

multi_cased_bert_base_uk.zip - multi cased base BERT модель дотренована на об'єднаному україномовному датасеті (SQuAD 2.0 і SDSJ 2017), з наступними параметрами (epochs: 5, learning rate: 5e-5, max sequence length: 180, batch size: 16). Для тренування використовувався скрипт, розроблений авторами моделі (https://github.com/google-research/bert). Тренування проводилось на RTX 2080 Ti (11GB). На тестовому датасеті squad-2.0-uk отримали результат 61.2% точних відповідей.