sage-fredt5-large / README.md
ai-forever's picture
Update README.md
0faef48 verified
|
raw
history blame
8.28 kB
metadata
language:
  - ru
tags:
  - spellchecking
  - pytorch
  - natural language generation
license: mit
metrics:
  - precision
  - recall
  - f1
library_name: transformers
model-index:
  - name: sage-fredt5-large
    results:
      - task:
          type: text-generation
        dataset:
          type: spellcheck_benchmark
          name: RUSpellRU (spell&punct)
        metrics:
          - name: F1 (spell)
            type: f1_spell
            value: 64.9
            verified: false
          - name: F1 (punct)
            type: f1_punct
            value: 61.9
            verified: false
          - name: F1 (case)
            type: f1_case
            value: 80.4
            verified: false
      - task:
          type: text-generation
        dataset:
          type: spellcheck_benchmark
          name: MultidomainGold (spell&punct)
        metrics:
          - name: F1 (spell)
            type: f1_spell
            value: x
            verified: false
          - name: F1 (punct)
            type: f1_punct
            value: x
            verified: false
          - name: F1 (case)
            type: f1_case
            value: x
            verified: false
      - task:
          type: text-generation
        dataset:
          type: spellcheck_benchmark
          name: MedSpellchecker (spell&punct)
        metrics:
          - name: F1 (spell)
            type: f1_spell
            value: x
            verified: false
          - name: F1 (punct)
            type: f1_punct
            value: x
            verified: false
          - name: F1 (case)
            type: f1_case
            value: x
            verified: false
      - task:
          type: text-generation
        dataset:
          type: spellcheck_benchmark
          name: GitHubTypoCorpusRu (spell&punct)
        metrics:
          - name: F1 (spell)
            type: f1_spell
            value: x
            verified: false
          - name: F1 (punct)
            type: f1_punct
            value: x
            verified: false
          - name: F1 (case)
            type: f1_case
            value: x
            verified: false

sage-fredt5-large

banner

Summary

The model corrects spelling and punctuation errors and typos by bringing all the words in the text to the norm of the Russian language. Corrector had been trained based on the model FRED-T5-large. An extensive dataset with “artificial” errors was taken as a training corpus: the corpus was assembled on the basis of the Russian-language Wikipedia and transcripts of Russian-language videos, then typos and spelling errors were automatically introduced into it using the library SAGE.

Public references

Examples

Input Output
И не чсно прохожим в этот день непогожйи почему я веселый такйо И не ясно прохожим в этот день непогожий, почему я веселый такой.
Каждй день воттак делой, и спена балеть нибудет. А вотак каждый день ниделай Каждый день вот так делай и спина болеть не будет. А вот так каждый день не делай.
Основая цель мероприятия практическая отработка навыков по оказанию помощи гражданам, попавшим в ДТП а также повышение и совершенствование уровня профессиональной подготовки сотрудников МЧС при проведении аварийно-спасательных работ по ликвидации последствий дорожно-транспортных проишествий сокращение временных показателей реагирования. Основная цель мероприятия — практическая отработка навыков по оказанию помощи гражданам, попавшим в ДТП, а также повышение и совершенствование уровня профессиональной подготовки сотрудников МЧС при проведении аварийно-спасательных работ по ликвидации последствий дорожно-транспортных происшествий, сокращение временных показателей реагирования

Metrics

Quality

Below are automatic metrics for determining the correctness of the spell checkers. We compare our solution with both open automatic spell checkers and the ChatGPT family of models on all four available datasets:

  • RUSpellRU: texts collected from (LiveJournal), with manually corrected typos and errors;
  • MultidomainGold: examples from 7 text sources, including the open web, news, social media, reviews, subtitles, policy documents and literary works;
  • MedSpellChecker: texts with errors from medical anamnesis;
  • GitHubTypoCorpusRu: spelling errors and typos in commits from GitHub;

RUSpellRU

| Model | Pr. (spell) | Rec. (spell) | F1 (spell) | Pr. (spell) | Rec. (spell) | F1 (spell) | | --- | --- | --- | --- | | M2M100-1.2B | 59.4 | 43.3 | 50.1 | 59.4 | 43.3 | 50.1 |

MultidomainGold

Model Precision Recall F1
M2M100-1.2B 56.4 44.8 49.9
ChatGPT gpt-3.5-turbo-0301 33.8 72.1 46.0
ChatGPT gpt-4-0314 34.0 73.2 46.4
ChatGPT text-davinci-003 33.6 72.0 45.8
Yandex.Speller 52.9 51.4 52.2
JamSpell 25.7 30.6 28.0
HunSpell 16.2 40.1 23.0

MedSpellChecker

Model Precision Recall F1
M2M100-1.2B 63.7 57.8 60.6
ChatGPT gpt-3.5-turbo-0301 53.2 67.6 59.6
ChatGPT gpt-4-0314 54.2 69.4 60.9
ChatGPT text-davinci-003 47.8 68.4 56.3
Yandex.Speller 80.6 47.8 60.0
JamSpell 24.6 29.7 26.9
HunSpell 10.3 40.2 16.4

GitHubTypoCorpusRu

Model Precision Recall F1
M2M100-1.2B 45.7 41.4 43.5
ChatGPT gpt-3.5-turbo-0301 43.8 57.0 49.6
ChatGPT gpt-4-0314 45.2 58.2 51.0
ChatGPT text-davinci-003 46.5 58.1 51.7
Yandex.Speller 67.7 37.5 48.3
JamSpell 49.5 29.9 37.3
HunSpell 28.5 30.7 29.6

How to use

from transformers import M2M100ForConditionalGeneration, M2M100Tokenizer
path_to_model = "ai-forever/RuM2M100-1.2B"
model = M2M100ForConditionalGeneration.from_pretrained(path_to_model)
tokenizer = M2M100Tokenizer.from_pretrained(path_to_model, src_lang="ru", tgt_lang="ru")
sentence = "прийдя в МГТУ я был удивлен никого необноружив там…"
encodings = tokenizer(sentence, return_tensors="pt")
generated_tokens = model.generate(
        **encodings, forced_bos_token_id=tokenizer.get_lang_id("ru"))
answer = tokenizer.batch_decode(generated_tokens, skip_special_tokens=True)
print(answer)
#["прийдя в МГТУ я был удивлен никого не обнаружив там..."]

Resources

License

Model M2M100-1.2B, on the basis of which our solution is made, and its source code are supplied under the MIT open license. Our solution also comes with MIT license.

Specifications

  • File size: 5 Gb;
  • Framework: pytorch
  • Format: AI Service
  • Version: v1.0
  • Developer: SberDevices, AGI NLP

Contacts

nikita.martynov.98@list.ru