README.md

metadata

language: zh
tags:
  - SEGA
  - data augmentation
  - keywords-to-text generation
  - sketch-to-text generation
license: apache-2.0
datasets:
  - beyond/chinese_clean_passages_80m
widget:
  - text: 今天[MASK]篮球[MASK]上海财经大学[MASK]
    example_title: 草稿1
  - text: 自然语言处理[MASK]谷歌[MASK]通用人工智能[MASK]
    example_title: 草稿2
inference:
  parameters:
    max_length: 100
    num_beams: 3
    do_sample: true

SEGA-base-chinese model

SEGA: SkEtch-based Generative Augmentation
基于草稿的生成式增强模型

SEGA is a general text augmentation model that can be used for data augmentation for various NLP tasks (including sentiment analysis, topic classification, NER, and QA). SEGA uses an encoder-decoder structure (based on the BART architecture) and is pre-trained on a large-scale general corpus.

• Paper: coming soon
• GitHub: SEGA.

SEGA中文版 可以根据你给出的一个草稿进行填词造句扩写，草稿可以是：

• 关键词组合，例如“今天[MASK]篮球[MASK]学校[MASK]”
• 短语组合，例如“自然语言处理[MASK]谷歌[MASK]通用人工智能[MASK]”
• 短句子组合，例如“我昨天做了一个梦[MASK]又遇见了她[MASK]曾经那段时光让人怀恋[MASK]”
• 以上的混合

How to use / 如何使用

# sega-chinese
from transformers import BertTokenizer, BartForConditionalGeneration, Text2TextGenerationPipeline
checkpoint = 'beyond/sega-base-chinese'
tokenizer = BertTokenizer.from_pretrained(checkpoint)
sega_model = BartForConditionalGeneration.from_pretrained(checkpoint)
sega_generator = Text2TextGenerationPipeline(sega_model, tokenizer, device=0)
sega_generator

sketchs = [
    "今天[MASK]篮球[MASK]学校[MASK]",
    "自然语言处理[MASK]谷歌[MASK]通用人工智能[MASK]",
    "我昨天做了一个梦[MASK]又遇见了她[MASK]曾经那段时光让人怀恋[MASK]",
    "[MASK]疫情[MASK]公园[MASK]散步[MASK]",
    "[MASK]酸菜鱼火锅[MASK]很美味，味道绝了[MASK]周末真开心[MASK]"
    ""
]
for sketch in sketchs:
    print('input sketch:\n>>> ', sketch)
    print('SEGA-chinese output:\n>>> ',sega_generator(sketch, max_length=100, do_sample=True, num_beams=3)[0]['generated_text'].replace(' ',''),'\n')

Model variations / SEGA其他版本

Model	#params	Language
sega-large	xM	English
sega-base(coming soon)	xM	English
sega-large-chinese(coming soon)	xM	Chinese
sega-base-chinese	xM	Chinese

Comparison / 效果对比

The following comes the comparison between BART-base-chinese and our proposed SEGA-base-chinese.
下面对比了BART-base-chinese和我们提出的SEGA-base-chinese在填词造句方面的表现：

input sketch:
>>>  今天[MASK]篮球[MASK]上海财经大学[MASK]
BART-chinese output:
>>>  今天的篮球是上海财经大学篮球
SEGA-chinese output:
>>>  今天，我们邀请到了中国篮球联盟主席、上海财经大学校长孙建国先生作为主题发言。 

input sketch:
>>>  自然语言处理[MASK]谷歌[MASK]通用人工智能[MASK]
BART-chinese output:
>>>  自然语言处理是谷歌的通用人工智能技术
SEGA-chinese output:
>>>  自然语言处理是谷歌在通用人工智能领域的一个重要研究方向，其目的是为了促进人类智能的发展。 

input sketch:
>>>  我昨天做了一个梦[MASK]又遇见了她[MASK]曾经那段时光让人怀恋[MASK]
BART-chinese output:
>>>  我昨天做了一个梦今天又遇见了她我曾经那段时光让人怀恋不已
SEGA-chinese output:
>>>  我昨天做了一个梦，梦见了我的妈妈，又遇见了她，我知道她曾经那段时光让人怀恋，但是现在，我不知道该怎么回事了，我只是想告诉她，不要再回去了。 

input sketch:
>>>  [MASK]疫情[MASK]公园[MASK]漫步[MASK]
BART-chinese output:
>>>  在疫情防控公园内漫步徜徉
SEGA-chinese output:
>>>  为了防止疫情扩散，公园内还设置了漫步区。 

input sketch:
>>>  [MASK]酸菜鱼火锅[MASK]很美味，味道绝了[MASK]周末真开心[MASK]
BART-chinese output:
>>>  这酸菜鱼火锅真的很美味，味道绝了这周末真开心啊
SEGA-chinese output:
>>>  这个酸菜鱼火锅真的很美味，味道绝了，吃的时间也长了，周末真开心，吃完以后就回家了，很满意的一次，很喜欢的一个品牌。 

可以看出，BART只能填补简单的一些词，无法对这些片段进行很连贯的连接，而SEGA则可以扩写成连贯的句子甚至段落。