hmBERT: 历史多语言语言模型用于实体识别

更多关于我们的hmBERT模型的信息可以在我们的新论文中找到： "hmBERT: Historical Multilingual Language Models for Named Entity Recognition" 。

语言

我们的历史语言模型库支持以下语言-包括它们的训练数据来源：

更小的模型

我们还为多语言模型发布了更小的模型：

语料库统计

德语 Europeana 语料库

我们提供了使用不同的OCR置信度阈值的某些统计数据，以缩小语料库的大小并使用更少噪声的数据：

对于最终语料库，我们使用OCR置信度为0.6（28GB）。以下图显示了每年的token分布情况：

法语 Europeana 语料库

与德语一样，我们使用不同的OCR置信度阈值：

对于最终语料库，我们使用OCR置信度为0.7（27GB）。以下图显示了每年的token分布情况：

英国图书馆语料库

元数据来自 here 。包括年份过滤的统计数据：

我们使用经过年份过滤的变体。以下图显示了每年的token分布情况：

芬兰 Europeana 语料库

以下图显示了每年的token分布情况：

瑞典 Europeana 语料库

以下图显示了每年的token分布情况：

所有语料库

以下图显示了完整训练语料库的每年的token分布情况：

多语言词汇生成

首次尝试，我们使用每个预训练语料库的前10GB。我们将芬兰语和瑞典语上采样到约10GB。以下表格显示了用于生成32k和64k子词词汇表的确切大小：

然后，我们计算以下NER语料库中的子词生育率和[UNK]部分的比例：

32k词汇表的每种语言的子词生育率和未知部分的分析：

64k词汇表的每种语言的子词生育率和未知部分的分析：

最终预训练语料库

我们将瑞典语和芬兰语上采样到约27GB。所有预训练语料库的最终统计数据如下：

总大小为130GB。

预训练

多语言模型

我们使用32k词汇表使用官方BERT实现在v3-32 TPU上训练了一个多语言BERT模型，使用以下参数：

python3 run_pretraining.py --input_file gs://histolectra/historic-multilingual-tfrecords/*.tfrecord \
--output_dir gs://histolectra/bert-base-historic-multilingual-cased \
--bert_config_file ./config.json \
--max_seq_length=512 \
--max_predictions_per_seq=75 \
--do_train=True \
--train_batch_size=128 \
--num_train_steps=3000000 \
--learning_rate=1e-4 \
--save_checkpoints_steps=100000 \
--keep_checkpoint_max=20 \
--use_tpu=True \
--tpu_name=electra-2 \
--num_tpu_cores=32

以下图显示了预训练损失曲线：

鸣谢

研究得到了谷歌TPU研究云（TRC）计划的云TPU的支持，该计划以前被称为TensorFlow研究云（TFRC）。非常感谢提供TRC存取权限 ❤️

多亏了 Hugging Face 团队的慷慨支持，可以从他们的S3存储中下载大小写两个版本的模型 ?