File size: 4,712 Bytes
a4b56e1 c003ffd a4b56e1 c003ffd 84d2cd6 d6f3e4d |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 |
---
license: apache-2.0
language:
- ko
pipeline_tag: text2text-generation
---
# korean Formal Convertor Using Deep Learning
์กด๋๋ง๊ณผ ๋ฐ๋ง์ ํ๊ตญ์ด์์๋ง ์กด์ฌํฉ๋๋ค, ๋ณธ ๋ชจ๋ธ์ ๋ฐ๋ง(informal)์ ์กด๋๋ง(formal)๋ก ๋ฐ๊ฟ์ฃผ๋ ๋ณํ๊ธฐ(convertor) ์
๋๋ค. <br>
*ํ๋ณดํ ์กด๋๋ง ๋ฐ์ดํฐ์
์๋ "ํด์์ฒด"์ "ํฉ์ผ์ฒด" ๋ ์ข
๋ฅ๊ฐ ์กด์ฌํ์ง๋ง ๋ณธ ๋ชจ๋ธ์ "ํด์์ฒด"๋ก ํต์ผํ์ฌ ๋ณํํ๊ธฐ๋ก ๊ฒฐ์ ํ์ต๋๋ค.
|ํฉ์ผ์ฒด|*ํด์์ฒด|
|------|---|
|์๋
ํ์ญ๋๊น.|์๋
ํ์ธ์.|
|์ข์ ์์นจ์
๋๋ค.|์ข์ ์์นจ์ด์์.|
|๋ฐ์์์ง ์์์ผ๋ฉด ์ข๊ฒ ์ต๋๋ค.|๋ฐ์์์ง ์์์ผ๋ฉด ์ข๊ฒ ์ด์.|
## ๋ฐฐ๊ฒฝ
- ์ด์ ์ ์กด๋๋ง๊ณผ ๋ฐ๋ง์ ๊ตฌ๋ถํ๋ ๋ถ๋ฅ๊ธฐ(https://github.com/jongmin-oh/korean-formal-classifier) ๋ฅผ ํ์ตํ์ต๋๋ค.<br>
๋ถ๋ฅ๊ธฐ๋ก ๋งํฌ๋ฅผ ๋๋ ์ฌ์ฉํ๋ คํ์ง๋ง, ์๋์ ์ผ๋ก ์กด๋๋ง์ ๋น์ค์ด ์ ์๊ณ ๋ฐ๋ง์ ์กด๋๋ง๋ก ๋ฐ๊พธ์ด ์กด๋๋ง ๋ฐ์ดํฐ์ ๋น์ค์ ๋๋ฆฌ๊ธฐ์ํด ๋ง๋ค๊ฒ ๋์์ต๋๋ค.
## ํ๊ตญ์ด ์กด๋๋ง ๋ณํ๊ธฐ
- ์กด๋๋ง ๋ณํ๊ธฐ๋ T5๋ชจ๋ธ ์ํคํ
์ณ๋ฅผ ๊ธฐ๋ฐ์ผ๋กํ Text2Text generation Task๋ฅผ ์ํํจ์ผ๋ก ๋ฐ๋ง์ ์กด๋๋ง๋ก ๋ณํํ์ฌ ์ฌ์ฉํ ์ ์์ต๋๋ค.
- ๋ฐ๋ก ์ฌ์ฉํ์ค ๋ถ๋ค์ ๋ฐ์ ์์ ์ฝ๋ ์ฐธ๊ณ ํด์ huggingFace ๋ชจ๋ธ('j5ng/et5-formal-convertor') ๋ค์ด๋ฐ์ ์ฌ์ฉํ์ค ์ ์์ต๋๋ค.
## Base on PLM model(ET5)
- ETRI(https://aiopen.etri.re.kr/et5Model)
## Base on Dataset
- AIํ๋ธ(https://www.aihub.or.kr/) : ํ๊ตญ์ด ์ด์ฒด ๋ณํ ์ฝํผ์ค
1. KETI ์ผ์์คํผ์ค ๋ํ 1,254 ๋ฌธ์ฅ
2. ์๋ํ๊น
๋ณ๋ ฌ๋ฐ์ดํฐ
- ์ค๋ง์ผ๊ฒ์ดํธ ๋งํฌ ๋ฐ์ดํฐ ์
(korean SmileStyle Dataset)
### Preprocessing
1. ๋ฐ๋ง/์กด๋๋ง ๋ฐ์ดํฐ ๋ถ๋ฆฌ("ํด์์ฒด"๋ง ๋ถ๋ฆฌ)
- ์ค๋ง์ผ๊ฒ์ดํธ ๋ฐ์ดํฐ์์ (['formal','informal']) ์นผ๋ผ๋ง ์ฌ์ฉ
- ์๋ํ๊น
๋ณ๋ ฌ๋ฐ์ดํฐ์์ ["*.ban", "*.yo"] txt ํ์ผ๋ง ์ฌ์ฉ
- KETI ์ผ์์คํผ์ค ๋ฐ์ดํฐ์์(["๋ฐ๋ง","ํด์์ฒด"]) ์นผ๋ผ๋ง ์ฌ์ฉ
2. ๋ฐ์ดํฐ ์
๋ณํฉ(3๊ฐ์ง ๋ฐ์ดํฐ ์
๋ณํฉ)
3. ๋ง์นจํ(.)์ ์ผํ(,)์ ๊ฑฐ
4. ๋ฐ๋ง(informal) ์นผ๋ผ ์ค๋ณต ์ ๊ฑฐ : 1632๊ฐ ์ค๋ณต๋ฐ์ดํฐ ์ ๊ฑฐ
### ์ต์ข
ํ์ต๋ฐ์ดํฐ ์์
|informal|formal|
|------|---|
|์ ๊ณ ๋ง์|๋ค ๊ฐ์ฌํด์|
|๋๋ ๊ทธ ์ฑ
์ฝ์์ด ๊ต์ฅํ ์๊ธด ์ฑ
์ด์์ด|์ ๋ ๊ทธ ์ฑ
์ฝ์์ต๋๋ค ๊ต์ฅํ ์๊ธด ์ฑ
์ด์์ด์|
|๋ฏธ์ธ๋จผ์ง๊ฐ ๋ง์ ๋ ์ด์ผ|๋ฏธ์ธ๋จผ์ง๊ฐ ๋ง์ ๋ ์ด๋ค์|
|๊ด์ฐฎ๊ฒ ์ด?|๊ด์ฐฎ์ผ์ค๊น์?|
|์๋์ผ ํ์๊ฐ ์ ์ ๋ค์ ์์ด ์ค๋นํด์ค|์๋์์ ํ์๊ฐ ์ ์ ๋ค์ ์์ด์ ์ค๋นํด์ฃผ์ธ์|
#### total : 14,992 ์
***
## How to use
```python
import torch
from transformers import T5ForConditionalGeneration, T5Tokenizer
# T5 ๋ชจ๋ธ ๋ก๋
model = T5ForConditionalGeneration.from_pretrained("j5ng/et5-formal-convertor")
tokenizer = T5Tokenizer.from_pretrained("j5ng/et5-formal-convertor")
device = "cuda:0" if torch.cuda.is_available() else "cpu"
# device = "mps:0" if torch.cuda.is_available() else "cpu" # for mac m1
model = model.to(device)
# ์์ ์
๋ ฅ ๋ฌธ์ฅ
input_text = "๋ ์ง์ง ํ๋ฌ์ด ์ง๊ธ"
# ์
๋ ฅ ๋ฌธ์ฅ ์ธ์ฝ๋ฉ
input_encoding = tokenizer("์กด๋๋ง๋ก ๋ฐ๊ฟ์ฃผ์ธ์: " + input_text, return_tensors="pt")
input_ids = input_encoding.input_ids.to(device)
attention_mask = input_encoding.attention_mask.to(device)
# T5 ๋ชจ๋ธ ์ถ๋ ฅ ์์ฑ
output_encoding = model.generate(
input_ids=input_ids,
attention_mask=attention_mask,
max_length=128,
num_beams=5,
early_stopping=True,
)
# ์ถ๋ ฅ ๋ฌธ์ฅ ๋์ฝ๋ฉ
output_text = tokenizer.decode(output_encoding[0], skip_special_tokens=True)
# ๊ฒฐ๊ณผ ์ถ๋ ฅ
print(output_text) # ์ ์ง์ง ํ๋ฌ์ต๋๋ค ์ง๊ธ.
```
***
## With Transformer Pipeline
```python
import torch
from transformers import T5ForConditionalGeneration, T5Tokenizer, pipeline
model = T5ForConditionalGeneration.from_pretrained('j5ng/et5-formal-convertor')
tokenizer = T5Tokenizer.from_pretrained('j5ng/et5-formal-convertor')
typos_corrector = pipeline(
"text2text-generation",
model=model,
tokenizer=tokenizer,
device=0 if torch.cuda.is_available() else -1,
framework="pt",
)
input_text = "๋ ๊ฐ์ง ์ ์์๊ฑฐ๋ผ ์๊ฐํ์ด"
output_text = typos_corrector("์กด๋๋ง๋ก ๋ฐ๊ฟ์ฃผ์ธ์: " + input_text,
max_length=128,
num_beams=5,
early_stopping=True)[0]['generated_text']
print(output_text) # ๋น์ ์ ๊ฐ์ง ์ ์์๊ฑฐ๋ผ ์๊ฐํ์ต๋๋ค.
```
## Thanks to
์กด๋๋ง ๋ณํ๊ธฐ์ ํ์ต์ ์ธ๊ณต์ง๋ฅ์ฐ์
์ตํฉ์ฌ์
๋จ(AICA)์ GPU ๋ฆฌ์์ค๋ฅผ ์ง์๋ฐ์ ํ์ต๋์์ต๋๋ค.
|