indobert-base-uncased

indobert-base-uncased

印尼语BERT模型提升NLP任务表现

IndoBERT是为印尼语开发的BERT模型,经过2.4百万步的训练,使用了超过2.2亿字的数据来源于印尼维基百科与新闻和网络语料库。该模型在词性标注、命名实体识别等印尼语NLP任务中表现优异,表现高于其他模型。IndoBERT的卓越性能在印尼语基准测试IndoLEM中得到验证,并可通过transformers库加载使用。

语言模型情感分析IndoBERT印尼语模型Github开源项目句法分析Huggingface

项目介绍:indobert-base-uncased

indobert-base-uncased是一款为印度尼西亚语自然语言处理(NLP)量身打造的预训练语言模型,其灵感来自BERT模型,并在多个大型数据集中进行了训练。这个模型的目标是通过改善印度尼西亚语言处理任务的表现,推动语言技术在该地区的应用和发展。

背景

IndoBERT是印度尼西亚版本的BERT模型,通过从以下三个主要数据源中收集的2.2亿多个单词进行训练:

  • 印度尼西亚语维基百科(7400万个单词)
  • 来自Kompas、Tempo和Liputan6等新闻文章(总计5500万个单词)
  • 印度尼西亚网络语料库(9000万个单词)

这种全面的训练数据组合使IndoBERT能够捕捉印度尼西亚语丰富的语言结构。

技术细节

IndoBERT模型经过240万步(相当于180个迭代周期)的训练,最终在开发集上的困惑度达到3.97,这一结果与英语BERT-base的表现相近。

IndoBERT还被用于测试IndoLEM——一个针对印度尼西亚语的基准集合。IndoLEM包含七个任务,涵盖了形态句法、语义和语篇等多个方面。测试结果表明,在这些任务中,IndoBERT显示出了较为卓越的性能,尤其是在命名实体识别(NER)、依存句法分析、情感分析、摘要生成、推文预测和排序任务中均取得了领先的成绩。

性能表现简析

以下是IndoBERT在不同任务上的性能表现,与其他模型进行对比:

  • POS标注: 准确率达96.8%,与其他顶尖模型持平。
  • 命名实体识别(UGM & UI): 在UGM任务中F1值为74.9,在UI任务中则达到90.1,超越了其他模型。
  • 依存句法分析: 在UD-Indo-GSD和UD-Indo-PUD数据集上,IndoBERT取得了最高的UAS和LAS得分。
  • 情感分析: F1值达到了84.13。
  • 摘要生成: 在R1、R2及RL指标上,IndoBERT的表现超过了其他BERT衍生模型。
  • 推文预测和排序: 准确率和Spearman相关系数分别达到了93.7和0.59。

如何使用IndoBERT

IndoBERT可以通过transformers库轻松加载,与语言模型和分词器搭配使用,详细的Python代码示例如下:

from transformers import AutoTokenizer, AutoModel tokenizer = AutoTokenizer.from_pretrained("indolem/indobert-base-uncased") model = AutoModel.from_pretrained("indolem/indobert-base-uncased")

结语

IndoBERT无疑是印度尼西亚语言处理领域的重要进步,它不仅提高了多项任务的性能,还为研究人员和工程师提供了一个强大的工具。在推广印度尼西亚语言技术的同时,也为发展多语言处理技术奠定了一块坚实的基石。有关更多细节,可以查阅IndoBERT的论文及其项目网站IndoLEM

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多