|
--- |
|
language: |
|
- pt |
|
license: other |
|
tags: |
|
- bert |
|
- pytorch |
|
- sentence-transformers |
|
- feature-extraction |
|
- sentence-similarity |
|
- transformers |
|
- fill-mask |
|
- NSP |
|
- Next Sentence Prediction |
|
datasets: |
|
- brwac |
|
library_name: transformers |
|
pipeline_tag: fill-mask |
|
--- |
|
|
|
# BERTugues Base (aka "BERTugues-base-portuguese-cased") |
|
|
|
## Introdução |
|
|
|
O BERTugues foi pré-treinado seguindo os mesmos passos do [paper original do BERT](https://arxiv.org/abs/1810.04805v2), com os objetivos de Masked Language Modeling (MLM) e Next Sentence Prediction (NSP), com 1 milhão de *steps*, usando mais de 20 GB de textos. Como o [Bertimbau](https://huggingface.co/neuralmind/bert-base-portuguese-cased), foi pré-treinado com o dataset [BrWAC](https://www.inf.ufrgs.br/pln/wiki/index.php?title=BrWaC) e a Wikipédia em português para o Tokenizador, contando com algumas melhorias no fluxo de treinamento, como: |
|
+ **Remoção de caracteres pouco comuns no português do treinamento do Tokenizador.** No Bertimbau mais de 7000 dos 29794 usam caracteres orientais ou especiais, quase nunca usados no português. Por exemplo, existem os tokens: "##漫", "##켝", "##前", já no BERTugues fizemos a remoção desses caracteres antes de treinar o tokenizador; |
|
+ **😀 Adição dos principais Emojis no Tokenizador.** A Wikipédia conta com poucos Emojis em seu texto, dessa forma um baixo número de Emojis entravam nos Tokens. Como já [demonstrado na literatura](https://arxiv.org/abs/1910.13793), eles são importantes numa série de tarefas; |
|
+ **Filtragem de qualidade dos textos do BrWAC** seguindo o modelo heurística proposta pelo [paper do modelo Gopher](https://arxiv.org/abs/2112.11446) do Google, onde removemos do BrWac textos de baixa qualidade. |
|
|
|
## Tokenizador |
|
|
|
Com a substituição dos Tokens pouco usados no português conseguimos diminuir a quantidade média de palavras que são quebradas em mais de um Token. No teste utilizando o [assin2](https://huggingface.co/datasets/assin2), mesmo dataset utilizando pelo Bertimbau para fazer o teste na dissertação de mestrado, diminuímos a quantidade média de palavras quebradas por texto de 3,8 para 3,0, no BERT multilinguagem esse número era 7,4. |
|
|
|
![imagem](https://github.com/ricardozago/BERTugues/blob/main/99_demais/subtokens_counts.png?raw=true) |
|
|
|
|
|
## Performance |
|
|
|
Para comparar a performance testamos um problema de classificação de textos, utilizando a base de reviews de filmes do [IMDB](https://www.kaggle.com/datasets/luisfredgs/imdb-ptbr), que foi traduzida para o português e possui uma boa qualidade. Neste problema utilizamos a representação do BERTugues da frase e passamos ela por um modelo de Random Forest para realizar a classificação. |
|
|
|
Também utilizamos a comparação de performance do paper [JurisBERT: Transformer-based model for embedding legal texts](https://repositorio.ufms.br/handle/123456789/5119), que pré-treina um BERT especialmente para textos de um domínio, usando o BERT multilinguagem e o Bertimbau como baseline. Neste caso utilizamos o [código disponibilizado pelo time do paper](https://github.com/alfaneo-ai/brazilian-legal-text-benchmark) e adicionamos o BERTugues. O modelo é utilizado para comparar se dois textos são do mesmo assunto ou não. |
|
|
|
| Modelo | IMDB (F1) | STJ (F1) | PJERJ (F1) | TJMS (F1) | Média F1 | |
|
|---------------------|-----------|----------|------------|-----------|----------| |
|
| BERT Multilinguagem | 72,0% | 30,4% | 63,8% | 65,0% | 57,8% | |
|
| Bertimbau-Base | 82,2% | 35,6% | 63,9% | 71,2% | 63,2% | |
|
| Bertimbau-Large | **85,3%** | 43,0% | 63,8% | **74,0%** | 66,5% | |
|
| BERTugues-Base | 84,0% | **45,2%** | **67,5%** | 70,0% | **66,7%** | |
|
|
|
O BERTugues foi superior em 3 de 4 tarefa em relação ao Bertimbau-base e em 2 das 4 tarefas superior ao Bertimbau-Large, um modelo muito maior (3x mais parâmetros) e custoso computacionalmente. |
|
|
|
## Exemplo de uso |
|
|
|
Diversos exemplos de uso estão disponíveis no nosso [nosso Github](https://github.com/ricardozago/BERTugues). Para uma rápida consulta adicionamos 2 exemplos abaixo: |
|
|
|
Predição de palavras mascaradas (Masked Language Modeling): |
|
|
|
```python |
|
from transformers import BertTokenizer, BertForMaskedLM, pipeline |
|
|
|
model = BertForMaskedLM.from_pretrained("ricardoz/BERTugues-base-portuguese-cased") |
|
tokenizer = BertTokenizer.from_pretrained("ricardoz/BERTugues-base-portuguese-cased", do_lower_case=False) |
|
|
|
pipe = pipeline('fill-mask', model=model, tokenizer=tokenizer, top_k = 3) |
|
pipe('[CLS] Eduardo abriu os [MASK], mas não quis se levantar. Ficou deitado e viu que horas eram.') |
|
|
|
# [{'score': 0.7272418141365051, |
|
# 'token': 7292, |
|
# 'token_str': 'olhos', |
|
# 'sequence': 'Eduardo abriu os olhos, mas não quis se levantar. Ficou deitado e viu que horas eram.'}, |
|
# {'score': 0.2677205801010132, |
|
# 'token': 12761, |
|
# 'token_str': 'braços', |
|
# 'sequence': 'Eduardo abriu os braços, mas não quis se levantar. Ficou deitado e viu que horas eram.'}, |
|
# {'score': 0.0007434834260493517, |
|
# 'token': 24298, |
|
# 'token_str': 'óculos', |
|
# 'sequence': 'Eduardo abriu os óculos, mas não quis se levantar. Ficou deitado e viu que horas eram.'}] |
|
|
|
``` |
|
|
|
Criação de um embedding para uma frase: |
|
|
|
```python |
|
from transformers import BertTokenizer, BertModel, pipeline |
|
import torch |
|
|
|
model = BertModel.from_pretrained("ricardoz/BERTugues-base-portuguese-cased") |
|
tokenizer = BertTokenizer.from_pretrained("ricardoz/BERTugues-base-portuguese-cased", do_lower_case=False) |
|
|
|
input_ids = tokenizer.encode('[CLS] Eduardo abriu os olhos, mas não quis se levantar. Ficou deitado e viu que horas eram.', return_tensors='pt') |
|
|
|
with torch.no_grad(): |
|
last_hidden_state = model(input_ids).last_hidden_state[:, 0] |
|
|
|
last_hidden_state |
|
|
|
# tensor([[-1.5727e+00, 5.4707e-01, -2.6169e-01, -3.0714e-01, -9.4545e-01, |
|
# 4.1557e-01, -7.9884e-01, -2.1481e-01, 5.9792e-01, -1.4198e+00, |
|
# 1.1929e-01, 8.0228e-01, 5.4977e-01, 1.2710e+00, -2.9444e-01, |
|
# 1.3398e+00, 1.4413e-01, 8.2983e-01, -8.2349e-02, 1.8593e-01, |
|
``` |
|
|
|
## Mais informações |
|
|
|
Para mais informações acesso [nosso Github](https://github.com/ricardozago/BERTugues)! |