|
--- |
|
language: |
|
- it |
|
tags: |
|
- summarization |
|
- tags |
|
- Italian |
|
inference: |
|
parameters: |
|
do_sample: False |
|
min_length: 0 |
|
widget: |
|
- text: "Nel 1924 la scrittrice Virginia Woolf affrontò nel saggio Mr Bennett e Mrs Brown il tema della costruzione e della struttura del romanzo, genere all’epoca considerato in declino a causa dell’incapacità degli autori e delle autrici di creare personaggi realistici. Woolf raccontò di aver a lungo osservato, durante un viaggio in treno da Richmond a Waterloo, una signora di oltre 60 anni seduta davanti a lei, chiamata signora Brown. Ne rimase affascinata, per la capacità di quella figura di evocare storie possibili e fare da spunto per un romanzo: «tutti i romanzi cominciano con una vecchia signora seduta in un angolo». Immagini come quella della signora Brown, secondo Woolf, «costringono qualcuno a cominciare, quasi automaticamente, a scrivere un romanzo». Nel saggio Woolf provò ad analizzare le tecniche narrative utilizzate da tre noti scrittori inglesi dell’epoca – H. G. Wells, John Galsworthy e Arnold Bennett – per comprendere perché le convenzioni stilistiche dell’Ottocento risultassero ormai inadatte alla descrizione dei «caratteri» umani degli anni Venti. In un lungo e commentato articolo del New Yorker, la critica letteraria e giornalista Parul Sehgal, a lungo caporedattrice dell’inserto culturale del New York Times dedicato alle recensioni di libri, ha provato a compiere un esercizio simile a quello di Woolf, chiedendosi come gli autori e le autrici di oggi tratterebbero la signora Brown. E ha immaginato che probabilmente quella figura non eserciterebbe su di loro una curiosità e un fascino legati alla sua incompletezza e al suo aspetto misterioso, ma con ogni probabilità trasmetterebbe loro l’indistinta e generica impressione di aver subìto un trauma." |
|
example_title: "Virginia Woolf" |
|
- text: "I lavori di ristrutturazione dell’interno della cattedrale di Notre-Dame a Parigi, seguiti al grande incendio che nel 2019 bruciò la guglia e buona parte del tetto, sono da settimane al centro di un acceso dibattito sui giornali francesi per via di alcune proposte di rinnovamento degli interni che hanno suscitato critiche e allarmi tra esperti e opinionisti conservatori. Il progetto ha ricevuto una prima approvazione dalla commissione nazionale competente, ma dovrà ancora essere soggetto a varie revisioni e ratifiche che coinvolgeranno tecnici e politici locali e nazionali, fino al presidente Emmanuel Macron. Ma le modifiche previste al sistema di viabilità per i visitatori, all’illuminazione, ai posti a sedere e alle opere d’arte che si vorrebbero esporre hanno portato alcuni critici a parlare di «parco a tema woke» e «Disneyland del politicamente corretto»." |
|
example_title: "Notre-Dame" |
|
--- |
|
|
|
# text2tags |
|
|
|
The model has been trained on a collection of 28k news articles with tags. Its purpose is to create tags suitable for the given article. We can use this model also for information-retrieval purposes (GenQ), fine-tuning sentence-transformers for asymmetric semantic search. |
|
|
|
<p align="center"> |
|
<img src="https://upload.wikimedia.org/wikipedia/commons/1/1a/Pieter_Bruegel_d._%C3%84._066.jpg" width="600"> </br> |
|
Pieter Bruegel the Elder, The Fight Between Carnival and Lent, 1559 |
|
</p> |
|
|
|
### Usage |
|
|
|
Sample code with an article from IlPost: |
|
|
|
```python |
|
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM |
|
|
|
model = AutoModelForSeq2SeqLM.from_pretrained("efederici/text2tags") |
|
tokenizer = AutoTokenizer.from_pretrained("efederici/text2tags") |
|
|
|
article = ''' |
|
Da bambino era preoccupato che al mondo non ci fosse più nulla da scoprire. Ma i suoi stessi studi gli avrebbero dato torto: insieme a James Watson, nel 1953 Francis Crick strutturò il primo modello di DNA, la lunga sequenza di codici che identifica ogni essere vivente, rendendolo unico e diverso da tutti gli altri. |
|
La scoperta gli valse il Nobel per la Medicina. È uscita in queste settimane per Codice la sua biografia, Francis Crick — Lo scopritore del DNA, scritta da Matt Ridley, che racconta vita e scienza dell'uomo che capì perché siamo fatti così. |
|
''' |
|
|
|
def tag(text: str): |
|
""" Generates tags from given text """ |
|
text = text.strip().replace('\n', '') |
|
text = 'summarize: ' + text |
|
tokenized_text = tokenizer.encode(text, return_tensors="pt") |
|
|
|
tags_ids = model.generate(tokenized_text, |
|
num_beams=4, |
|
no_repeat_ngram_size=2, |
|
max_length=20, |
|
early_stopping=True) |
|
|
|
output = tokenizer.decode(tags_ids[0], skip_special_tokens=True) |
|
return output.split(', ') |
|
|
|
tags = tag(article) |
|
print(tags) |
|
``` |
|
|
|
## Longer documents |
|
|
|
Assuming paragraphs are divided by: '\n\n'. |
|
|
|
```python |
|
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM |
|
import itertools |
|
import re |
|
|
|
model = AutoModelForSeq2SeqLM.from_pretrained("efederici/text2tags") |
|
tokenizer = AutoTokenizer.from_pretrained("efederici/text2tags") |
|
|
|
article = ''' |
|
Da bambino era preoccupato che al mondo non ci fosse più nulla da scoprire. Ma i suoi stessi studi gli avrebbero dato torto: insieme a James Watson, nel 1953 Francis Crick strutturò il primo modello di DNA, la lunga sequenza di codici che identifica ogni essere vivente, rendendolo unico e diverso da tutti gli altri. |
|
La scoperta gli valse il Nobel per la Medicina. È uscita in queste settimane per Codice la sua biografia, Francis Crick — Lo scopritore del DNA, scritta da Matt Ridley, che racconta vita e scienza dell'uomo che capì perché siamo fatti così. |
|
''' |
|
|
|
def words(text): |
|
input_str = text |
|
output_str = re.sub('[^A-Za-z0-9]+', ' ', input_str) |
|
return output_str.split() |
|
|
|
def is_subset(text1, text2): |
|
return all(tag in words(text1.lower()) for tag in text2.split()) |
|
|
|
def cleaning(text, tags): |
|
return [tag for tag in tags if is_subset(text, tag)] |
|
|
|
def get_texts(text, max_len): |
|
texts = list(filter(lambda x : x != '', text.split('\n\n'))) |
|
lengths = [len(tokenizer.encode(paragraph)) for paragraph in texts] |
|
output = [] |
|
for i, par in enumerate(texts): |
|
index = len(output) |
|
if index > 0 and lengths[i] + len(tokenizer.encode(output[index-1])) <= max_len: |
|
output[index-1] = "".join(output[index-1] + par) |
|
else: |
|
output.append(par) |
|
return output |
|
|
|
def get_tags(text, generate_kwargs): |
|
input_text = 'summarize: ' + text.strip().replace('\n', ' ') |
|
tokenized_text = tokenizer.encode(input_text, return_tensors="pt") |
|
with torch.no_grad(): |
|
tags_ids = model.generate(tokenized_text, **generate_kwargs) |
|
|
|
output = [] |
|
for tags in tags_ids: |
|
cleaned = cleaning( |
|
text, |
|
list(set(tokenizer.decode(tags, skip_special_tokens=True).split(', '))) |
|
) |
|
output.append(cleaned) |
|
|
|
return list(set(itertools.chain(*output))) |
|
|
|
def tag(text, max_len, generate_kwargs): |
|
texts = get_texts(text, max_len) |
|
all_tags = [get_tags(text, generate_kwargs) for text in texts] |
|
flatten_tags = itertools.chain(*all_tags) |
|
return list(set(flatten_tags)) |
|
|
|
params = { |
|
"min_length": 0, |
|
"max_length": 30, |
|
"no_repeat_ngram_size": 2, |
|
"num_beams": 4, |
|
"early_stopping": True, |
|
"num_return_sequences": 4, |
|
} |
|
tags = tag(article, 512, params) |
|
print(tags) |
|
``` |
|
|
|
### Overview |
|
|
|
- Model: T5 ([it5-small](https://huggingface.co/gsarti/it5-small)) |
|
- Language: Italian |
|
- Downstream-task: Summarization (for topic tagging) |
|
- Training data: Custom dataset |
|
- Code: See example |
|
- Infrastructure: 1x T4 |