README.md

metadata

language:
  - ru
  - ru-RU
tags:
  - summarization
datasets:
  - IlyaGusev/gazeta
license:
  - apache-2.0
inference:
  parameters:
    no_repeat_ngram_size: 4
widget:
  - text: >-
      Высота башни составляет 324 метра (1063 фута), примерно такая же высота,
      как у 81-этажного здания, и самое высокое сооружение в Париже. Его
      основание квадратно, размером 125 метров (410 футов) с любой стороны. Во
      время строительства Эйфелева башня превзошла монумент Вашингтона, став
      самым высоким искусственным сооружением в мире, и этот титул она
      удерживала в течение 41 года до завершения строительство здания Крайслер в
      Нью-Йорке в 1930 году. Это первое сооружение которое достигло высоты 300
      метров. Из-за добавления вещательной антенны на вершине башни в 1957 году
      она сейчас выше здания Крайслер на 5,2 метра (17 футов). За исключением
      передатчиков, Эйфелева башня является второй самой высокой отдельно
      стоящей структурой во Франции после виадука Мийо.<s>
    example_title: Википедия

RuGPT3MediumSumGazeta

Model description

This is the model for abstractive summarization for Russian based on rugpt3medium_based_on_gpt2.

Intended uses & limitations

How to use

Colab: link

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

model_name = "IlyaGusev/rugpt3medium_sum_gazeta"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

article_text = "..."

text_tokens = tokenizer(
    article_text,
    max_length=600,
    add_special_tokens=False, 
    padding=False,
    truncation=True
)["input_ids"]
input_ids = text_tokens + [tokenizer.sep_token_id]
input_ids = torch.LongTensor([input_ids])

output_ids = model.generate(
    input_ids=input_ids,
    no_repeat_ngram_size=4
)

summary = tokenizer.decode(output_ids[0], skip_special_tokens=False)
summary = summary.split(tokenizer.sep_token)[1]
summary = summary.split(tokenizer.eos_token)[0]
print(summary)

Training data

• Dataset: Gazeta

Training procedure

• Training script: train.py
• Config: gpt_training_config.json

Eval results

• Train dataset: Gazeta v1 train
• Test dataset: Gazeta v1 test
• Source max_length: 600
• Target max_length: 200
• no_repeat_ngram_size: 4
• num_beams: 5

Model	R-1-f	R-2-f	R-L-f	chrF	METEOR	BLEU	Avg char length
mbart_ru_sum_gazeta	32.4	14.3	28.0	39.7	26.4	12.1	371
rut5_base_sum_gazeta	32.2	14.4	28.1	39.8	25.7	12.3	330

• Train dataset: Gazeta v1 train
• Test dataset: Gazeta v2 test
• Source max_length: 600
• Target max_length: 200
• no_repeat_ngram_size: 4
• num_beams: 5

Model	R-1-f	R-2-f	R-L-f	chrF	METEOR	BLEU	Avg char length
mbart_ru_sum_gazeta	28.7	11.1	24.4	37.3	22.7	9.4	373
rut5_base_sum_gazeta	28.6	11.1	24.5	37.2	22.0	9.4	331

Evaluation script: evaluate.py

Flags: --language ru --tokenize-after --lower