[論文レビュー] RoBERTuito: a pre-trained language model for social media text in Spanish

Juan Manuel Sánchez Pérez, Damián A. Furman+2 more|arXiv (Cornell University)|Nov 17, 2021

Natural Language Processing Techniques被引用数 33

ひとこと要約

RoBERTuitoは500Mのスペイン語ツイートで訓練されたRoBERTaベースのモデルで、スペイン語のソーシャルメディアNLPタスクの精度を向上させ、競争力のあるクロスリンガルおよびコードスイッチング能力を持ち、HuggingFaceで公開されました。

ABSTRACT

Since BERT appeared, Transformer language models and transfer learning have become state-of-the-art for Natural Language Understanding tasks. Recently, some works geared towards pre-training specially-crafted models for particular domains, such as scientific papers, medical documents, user-generated texts, among others. These domain-specific models have been shown to improve performance significantly in most tasks. However, for languages other than English such models are not widely available. In this work, we present RoBERTuito, a pre-trained language model for user-generated text in Spanish, trained on over 500 million tweets. Experiments on a benchmark of tasks involving user-generated text showed that RoBERTuito outperformed other pre-trained language models in Spanish. In addition to this, our model achieves top results for some English-Spanish tasks of the Linguistic Code-Switching Evaluation benchmark (LinCE) and has also competitive performance against monolingual models in English tasks. To facilitate further research, we make RoBERTuito publicly available at the HuggingFace model hub together with the dataset used to pre-train it.

研究の動機と目的

• スペイン語ソーシャルメディアテキストのドメイン特化型事前学習モデルの必要性を動機づける。
• 大規模なスペイン語ツイッター言語モデル（RoBERTuito）とその派生版を開発・公開する。
• スペイン語ソーシャルメディア分類タスクとコードスイッチングベンチマークでRoBERTuitoを評価する。
• 複製とさらなる研究を可能にする透明なデータとモデルを提供する。

提案手法

• 約500Mのスペイン語ツイート（cased, uncased, および deaccented バリアント）でRoBERTa-baseアーキテクチャを訓練。
• 正規化戦略とSentencePiece（語彙サイズ30k）によるツイートの前処理。
• 標準的な分類ヘッドを用いてスペイン語・英語・スペイン語英語コードスイッチングタスクをファインチューニング。
• Task A: Hate、Task B: Sentiment, Emotion, Irony ； Task: LinCEによるコードスイッチング； SemEval2017の英語タスクと比較。
• 入力の大文字/小文字とアクセントの影響を分析し、多言語モデルに対するコードスイッチング性能を評価。

実験結果

リサーチクエスチョン

• RQ1 RoBERTuitoはスペイン語ソーシャルメディア分類タスクで一般ドメイン事前学習モデルを上回るか。
• RQ2 uncased対casеd対deaccentedバリアントはスペイン語ソーシャルメディアタスクの性能にどう影響するか。
• RQ3 RoBERTuitoのコードスイッチング（スペイン語-英語）タスクの性能は多言語モデルと比べてどうか。
• RQ4 RoBERTuitoは英語ツイッタータスクで単言語英語モデルと比べてどうか。
• RQ5 RoBERTuitoはスペイン語-英語のLinCEのコードスイッチングベンチマークで有効か。

主な発見

• RoBERTuito uncasedはスペイン語のヘイトスピーチで80.1、センチメントで70.7、総合スコア69.9でトップ性能を達成し、BETOとRoBERTa-BNEを上回る。
• Deaccented RoBERTuitoはヘイト79.8、センチメント70.2、エモーション54.3、アイロニー74.0、スコア69.6で、uncasedに近い。
• Cased RoBERTuitoも強力だが、いくつかのスペイン語タスクでuncased/deaccentedよりわずかに遅れる（ヘイト79.0、センチメント70.1、エモーション51.9、アイロニー71.9、スコア68.2）。
• 英語タスクではRoBERTuitoは感情・ hate・ sentimentで一般にmBERTおよびXLM-R BASEを上回るが、いくつかのタスク（例：センチメント70.3）ではBERTweetが依然リードする。
• LinCEのコードスイッチングベンチマーク（スペイン語-英語）では、RoBERTuitoのdev結果（センチメント53.2、NER 67.2、POS 97.0、uncased）を多言語ベースラインと競合する；公式LinCEリーダーボードではセンチメントで最も高く（60.6）、NER/POSで2位（68.5、97.2）。
• RoBERTuitoモデルはXLM-R LARGEよりパラメータ効率が高く（108M）、スペイン語タスクで語彙効率に有利なことが示される。