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

Juan Manuel Pérez, Damián Furman+2 more|arXiv (Cornell University)|Nov 18, 2021

Topic Modeling参考文献 21被引用数 27

ひとこと要約

RoBERTuitoはRoBERTaベースの事前学習モデルで、約500M件のスペイン語ツイートで訓練され、スペイン語ソーシャルメディアのタスクで高い性能を発揮し、コードスイッチングと英語タスクでも競争力のある結果を示します。HuggingFaceで公開されています。

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文のためのドメイン特化型事前学習モデルの必要性を喚起する。
• Twitterデータで訓練された大規模なスペイン語ソーシャルメディア言語モデル（RoBERTuito）を開発する。
• RoBERTuitoをスペイン語、英語、およびコードスイッチングタスク全体で評価し、ドメインおよび多言語対応能力を評価する。
• スペイン語ソーシャルメディアNLPタスクの訓練データ、モデルの重み、および標準化されたベンチマークを公開する。

提案手法

• RoBERTa-baseアーキテクチャ（12層、768隠れ層）を、30k SentencePiece語彙を用いて約500M件のスペイン語ツイートで訓練する。
• ノイズの多いソーシャルメディアテキスト（メンション、ハッシュタグ、絵文字、文字の繰り返しなど）に適したトークン化と正規化戦略でツイートを前処理する。
• 3つのモデル変種（cased, uncased, and deaccented（アクセントを取り除いた小文字化））を用いて実験する。
• 事前学習済みモデルを、スペイン語の分類タスク（ヘイトスピーチ、感情、情動、皮肉）と比較用の英語タスクにファインチューニングする。
• コードスイッチングのベンチマーク（LinCE）で評価し、多言語・モノリンガルのベースラインと比較した開発・テスト結果を報告する。

実験結果

リサーチクエスチョン

• RQ1 RoBERTuitoはソーシャルメディア分類タスクでスペイン語の一般-domainプリトレーニングモデルを上回るか？
• RQ2 cased、uncased、deaccentedの各変種は性能と効率の点でどう比較されるか？
• RQ3 コードスイッチングのスペイン語-英語タスクにおけるRoBERTuitoの性能は、多言語モデルと比べてどうか？
• RQ4 同じドメイン内の英語ソーシャルメディアタスクで、RoBERTuitoはモノリンガル英語モデルと競合できるか？
• RQ5 ソーシャルメディアデータにおけるモデルの効率とトークン表現の挙動はどうか？

主な発見

モデル	ヘイト	感情	情動	皮肉	スコア
RoBERTuito uncased	80.1	70.7	55.1	73.6	69.9
RoBERTuito deacc	79.8	70.2	54.3	74.0	69.6
RoBERTuito cased	79.0	70.1	51.9	71.9	68.2
RoBERTa	76.6	66.9	53.3	72.3	67.3
BERTin	76.7	66.5	51.8	71.6	66.7
BETO cased	76.8	66.5	52.1	70.6	66.5
BETO uncased	75.7	64.9	52.1	70.2	65.7

• RoBERTuitoは、スペイン語ソーシャルメディアタスクで一般-domainモデル（BETO、RoBERTa-BNE、BERTin）を概ね上回り、特にヘイトスピーチと感情分析で優れている。
• uncased および deaccented の RoBERTuito 変種は、タスクを通じて cased 変種と同等かそれ以上の性能を示し、uncased モデルがしばしば最高の結果を出す。
• 英語のソーシャルメディアタスクでは、RoBERTuitoは RoBERTa や BERTweet などのモノリンガルモデルと競合し、複数の多言語ベースライン（mBERT、XLM-R BASE）を上回る。
• RoBERTuitoは LinCE で強力なコードスイッチング性能を発揮し、複数のタスクでmBERTを上回り、いくつかのタスクでXLM-Rと同等に達することが多い。パラメータ数は108百万で特に効率的である。
• スペイン語タスクにおけるモデル表現は BETO および RoBERTa-BNE よりコンパクトであり、deaccented 変種がわずかなトークン長の利点を示す。