zwanto commited on
Commit
0ea58e2
1 Parent(s): 4b9ec57
Files changed (1) hide show
  1. README.md +5 -5
README.md CHANGED
@@ -20,11 +20,11 @@ tags:
20
  # Classification d'articles de presses avec Flaubert :fire:
21
 
22
  Ce modèle ce base sur le modèle [`flaubert/flaubert_base_cased`](https://huggingface.co/flaubert/flaubert_base_cased) à et à été fine-tuné en utilisant des articles de presses issus de la base de données MLSUM.
23
- Dans leur papier, les équipes de ReciTAl et de la Sorbonne ont proposé comme ouverture de faire de la détection de topic sur les articles de presses.
24
 
25
- Les topics ont été exraient à partir des URL et nous avons effectué une étapes de regroupement de topic pour éléminer ceux avec un trop faible volumes et ceux qui paraissaient redondants.
26
 
27
- Nous avons finalement utilisé la liste de topic suivant:
28
  * Culture
29
  * Economie
30
  * Education
@@ -38,7 +38,7 @@ Nous avons finalement utilisé la liste de topic suivant:
38
 
39
  ## Entrainement
40
 
41
- Nous avons benchmarké différents modèles en les entrainants sur différentes parties de l'articles (titre, résumé, corps et titre+résumé) et avec des échantillons d'apprentissage de tailles différentes.
42
 
43
  ![Performance](./assets/Accuracy_cat.png)
44
 
@@ -47,7 +47,7 @@ Les modèles ont été entrainé sur un cloud Azure avec des Tesla V100.
47
  ## Résulats
48
 
49
  ![Matrice de confusion](assets/confusion_cat_m_0.2.png)
50
- *Les lignes correspondent aux labels prédient et les colonnes aux véritables topics. Les pourcentages sont calculés sur les colonnes.*
51
 
52
  ## Utilisation
53
 
 
20
  # Classification d'articles de presses avec Flaubert :fire:
21
 
22
  Ce modèle ce base sur le modèle [`flaubert/flaubert_base_cased`](https://huggingface.co/flaubert/flaubert_base_cased) à et à été fine-tuné en utilisant des articles de presses issus de la base de données MLSUM.
23
+ Dans leur papier, les équipes de reciTAL et de la Sorbonne ont proposé comme ouverture de faire de la détection de topic sur les articles de presses.
24
 
25
+ Les topics ont été exraient à partir des URL et nous avons effectué une étape de regroupement de topics pour éléminer ceux avec un trop faible volume et ceux qui paraissaient redondants.
26
 
27
+ Nous avons finalement utilisé la liste de topics suivant:
28
  * Culture
29
  * Economie
30
  * Education
 
38
 
39
  ## Entrainement
40
 
41
+ Nous avons benchmarké différents modèles en les entrainants sur différentes parties des articles (titre, résumé, corps et titre+résumé) et avec des échantillons d'apprentissage de tailles différentes.
42
 
43
  ![Performance](./assets/Accuracy_cat.png)
44
 
 
47
  ## Résulats
48
 
49
  ![Matrice de confusion](assets/confusion_cat_m_0.2.png)
50
+ *Les lignes correspondent aux labels prédits et les colonnes aux véritables topics. Les pourcentages sont calculés sur les colonnes.*
51
 
52
  ## Utilisation
53