HerBERT

HerBERT 是一个基于波兰语语料库训练的基于BERT的语言模型，使用了掩码语言建模(Masked Language Modelling, MLM)和句子结构目标（Sentence Structural Objective, SSO）以及对整个单词的动态掩码。详细信息请参考： HerBERT: Efficiently Pretrained Transformer-based Language Model for Polish 。

模型训练和实验使用了版本2.9的 transformers 。

语料库

HerBERT是基于波兰语的六个不同语料库进行训练的：

分词器

训练数据集使用字符级字节对编码（CharBPETokenizer）进行了子词划分，词汇表大小为50k个词元。分词器本身是使用 tokenizers 库进行训练的。

我们建议您使用分词器的快速版本，即HerbertTokenizerFast。

使用方法

示例代码：

from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("allegro/herbert-base-cased")
model = AutoModel.from_pretrained("allegro/herbert-base-cased")

output = model(
    **tokenizer.batch_encode_plus(
        [
            (
                "A potem szedł środkiem drogi w kurzawie, bo zamiatał nogami, ślepy dziad prowadzony przez tłustego kundla na sznurku.",
                "A potem leciał od lasu chłopak z butelką, ale ten ujrzawszy księdza przy drodze okrążył go z dala i biegł na przełaj pól do karczmy."
            )
        ],
    padding='longest',
    add_special_tokens=True,
    return_tensors='pt'
    )
)

许可证

CC BY 4.0

引用

如果您使用了此模型，请引用以下论文：

@inproceedings{mroczkowski-etal-2021-herbert,
    title = "{H}er{BERT}: Efficiently Pretrained Transformer-based Language Model for {P}olish",
    author = "Mroczkowski, Robert  and
      Rybak, Piotr  and
      Wr{\\'o}blewska, Alina  and
      Gawlik, Ireneusz",
    booktitle = "Proceedings of the 8th Workshop on Balto-Slavic Natural Language Processing",
    month = apr,
    year = "2021",
    address = "Kiyv, Ukraine",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/2021.bsnlp-1.1",
    pages = "1--10",
}

作者

模型由 Machine Learning Research Team at Allegro 和 Linguistic Engineering Group at Institute of Computer Science, Polish Academy of Sciences 进行了训练。

您可以通过电子邮件联系我们：klejbenchmark@allegro.pl