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

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

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。

下拉加载更多