英文

多语言相似表达生成

该存储库包含在 IndicParaphrase 数据集的11种语言上微调的 IndicBART 检查点。有关微调详细信息,请参阅 paper

  • 支持的语言:阿萨姆语、孟加拉语、古吉拉特语、印地语、马拉地语、奥里亚语、旁遮普语、卡纳达语、马拉雅拉姆语、泰米尔语和泰卢固语。并非所有这些语言都受到mBART50和mT5的支持。
  • 模型比mBART和mT5(-base)模型要小得多,因此在解码时计算开销较小。
  • 在大型印度语语料库(553万个句子)上进行了训练。
  • 为了促进相关语言之间的迁移学习,所有语言都以天城文脚本表示。

在transformers中使用此模型

from transformers import MBartForConditionalGeneration, AutoModelForSeq2SeqLM
from transformers import AlbertTokenizer, AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("ai4bharat/MultiIndicParaphraseGeneration", do_lower_case=False, use_fast=False, keep_accents=True)
# Or use tokenizer = AlbertTokenizer.from_pretrained("ai4bharat/MultiIndicParaphraseGeneration", do_lower_case=False, use_fast=False, keep_accents=True)
model = AutoModelForSeq2SeqLM.from_pretrained("ai4bharat/MultiIndicParaphraseGeneration")
# Or use model = MBartForConditionalGeneration.from_pretrained("ai4bharat/MultiIndicParaphraseGeneration")

# Some initial mapping
bos_id = tokenizer._convert_token_to_id_with_added_voc("<s>")
eos_id = tokenizer._convert_token_to_id_with_added_voc("</s>")
pad_id = tokenizer._convert_token_to_id_with_added_voc("<pad>")

# To get lang_id use any of ['<2as>', '<2bn>', '<2en>', '<2gu>', '<2hi>', '<2kn>', '<2ml>', '<2mr>', '<2or>', '<2pa>', '<2ta>', '<2te>']
# First tokenize the input. The format below is how IndicBART was trained so the input should be "Sentence </s> <2xx>" where xx is the language code. Similarly, the output should be "<2yy> Sentence </s>".
inp = tokenizer("दिल्ली यूनिवर्सिटी देश की प्रसिद्ध यूनिवर्सिटी में से एक है. </s> <2hi>", add_special_tokens=False, return_tensors="pt", padding=True).input_ids 

# For generation. Pardon the messiness. Note the decoder_start_token_id.

model_output=model.generate(inp, use_cache=True,no_repeat_ngram_size=3,encoder_no_repeat_ngram_size=3, num_beams=4, max_length=20, min_length=1, early_stopping=True, pad_token_id=pad_id, bos_token_id=bos_id, eos_token_id=eos_id, decoder_start_token_id=tokenizer._convert_token_to_id_with_added_voc("<2hi>"))

# Decode to get output strings
decoded_output=tokenizer.decode(model_output[0], skip_special_tokens=True, clean_up_tokenization_spaces=False)
print(decoded_output) # दिल्ली विश्वविद्यालय देश की प्रमुख विश्वविद्यालयों में शामिल है।

# Note that if your output language is not Hindi or Marathi, you should convert its script from Devanagari to the desired language using the Indic NLP Library.

注意:

如果您想使用非天城文脚本编写的任何语言,则应该先使用 Indic NLP Library 将其转换为天城文。在获得输出后,您应将其转换回原始脚本。

基准测试

IndicParaphrase测试集的分数如下:

Language BLEU / Self-BLEU / iBLEU
as 1.66 / 2.06 / 0.54
bn 11.57 / 1.69 / 7.59
gu 22.10 / 2.76 / 14.64
hi 27.29 / 2.87 / 18.24
kn 15.40 / 2.98 / 9.89
ml 10.57 / 1.70 / 6.89
mr 20.38 / 2.20 / 13.61
or 19.26 / 2.10 / 12.85
pa 14.87 / 1.35 / 10.00
ta 18.52 / 2.88 / 12.10
te 16.70 / 3.34 / 10.69

引用

如果您使用此模型,请引用以下论文:

@inproceedings{Kumar2022IndicNLGSM,
  title={IndicNLG Suite: Multilingual Datasets for Diverse NLG Tasks in Indic Languages},
  author={Aman Kumar and Himani Shrotriya and Prachi Sahu and Raj Dabre and Ratish Puduppully and Anoop Kunchukuttan and Amogh Mishra and Mitesh M. Khapra and Pratyush Kumar},
  year={2022},
  url = "https://arxiv.org/abs/2203.05437"
  }