| --- |
| language: |
| - ru |
| license: apache-2.0 |
| --- |
| |
| # Russian text normalization |
|
|
| Finetuned version of [FRED-T5 large 820M](https://huggingface.co/ai-forever/FRED-T5-large). |
|
|
| Code [repo](https://github.com/saarus72/text_normalization). |
|
|
| Trained on [ficbook](https://huggingface.co/datasets/IlyaGusev/ficbook), [librusec](https://huggingface.co/datasets/IlyaGusev/librusec) and [pikabu](https://huggingface.co/datasets/IlyaGusev/pikabu) sentences, inverse text normalized using modified version of [word_to_number_ru](https://github.com/flockentanz/word_to_number_ru) package. |
|
|
| Also used [Kaggle Text Normalization Challenge](https://www.kaggle.com/competitions/text-normalization-challenge-russian-language) data to be able to normalize latin also. Became to perform worse on numbers but process latin succesfully. `git checkout` #8c2476b to choose previous number-only version. |
|
|
| ## Usage |
|
|
| Put numbers and latin words inside of squared brackets and follow with T5 tokens `<extra_id_0>`, `<extra_id_1>` and so on. |
| One is advised to split numbers on groups by 3 digits always and do not put much of anything but numbers and latin inside of `[ ]` brackets. |
|
|
| ```python |
| import torch |
| from transformers import GPT2Tokenizer, T5ForConditionalGeneration |
| |
| |
| device='cuda' |
| tokenizer = GPT2Tokenizer.from_pretrained('saarus72/russian_text_normalizer', eos_token='</s>') |
| model = T5ForConditionalGeneration.from_pretrained('saarus72/russian_text_normalizer').to(device) |
| lm_text = '<SC1>Было у отца [3]<extra_id_0> сына, но не было даже [2- 3]<extra_id_1> пиджаков с блёстками за [142 990]<extra_id_2> руб.' |
| input_ids = torch.tensor([tokenizer.encode(lm_text)]).to(device) |
| outputs = model.generate(input_ids, eos_token_id=tokenizer.eos_token_id, early_stopping=True) |
| print(tokenizer.decode(outputs[0][1:])) |
| # <extra_id_0> три\n <extra_id_1> двух- трёх\n <extra_id_2> сто сорок две тысячи девятьсот девяносто\n</s> |
| ``` |
|
|
| ### More examples |
|
|
| | Model input | After replacement | Is correct | |
| |---|---|---| |
| | `<SC1>Временами я думаю, какое применение найти тем [14 697]<extra_id_0> рублям, что лежат уже больше [33]<extra_id_1> лет?` | `Временами я думаю, какое применение найти тем четырнадцати тысячам шестистам девяносто семи рублям, что лежат уже больше тридцати трёх лет?` | Yes | |
| | `<SC1>я купил [iphone 12]<extra_id_0> за [142 990]<extra_id_1> руб без [3-x]<extra_id_2> часов полдень и т.д.` | `я купил айфон двенадцатый за сто сорок две тысячи девятьсот девяносто руб без трех часов полдень и т.д.?` | Yes | |
| | `<SC1>В школе у меня одни [5]<extra_id_0>.` | `В школе у меня одни пятые.` | **No** (`пятёрки` is correct) | |
| | `<SC1>Было у отца [3]<extra_id_0> сына. Старшему было [35]<extra_id_1>, среднему - не меньше [33]<extra_id_2>, а младший на [4]<extra_id_3> младше всех. Бывает.` | `Было у отца три сына. Старшему было тридцать пять, среднему - не меньше тридцати трех, а младший на четыре младше всех. Бывает.` | Yes | |
| | `<SC1>я подарю тебе [1 000 000]<extra_id_0> алых роз, я научу тебя смеяться` | `я подарю тебе миллион алых роз, я научу тебя смеяться` | Yes | |
| | `<SC1>запомни телефон — [8 9 555 35 35]<extra_id_0>, проще позвонить, чем занимать` | `запомни телефон — восемь девять миллионов пятьсот пятьдесят пять тысяч тридцать пять` | **Not much**, better hold on 3 digit groups | |
| | `<SC1>стоимость айфон [32]<extra_id_0> — всего [189 553 600]<extra_id_1> руб.!` | `стоимость айфон тридцать два — всего сто восемьдесят девять миллионов пятьсот пятьдесят три тысячи шестьсот руб.!` | Yes | |
| | `<SC1>[91 957 552 336]<extra_id_0> минус [3 474 354 354]<extra_id_1> равно ?` | `девяносто один миллион девятьсот пятьдесят семь миллионов пятьсот пятьдесят две тысячи триста тридцать шесть минус три миллиона четыреста семьдесят четыре миллиона триста пятьдесят четыре тысячи триста пятьдесят четыре равно ?` | **No :(** | |
| | `<SC1>я вырос на [the beatles]<extra_id_0>, меня не испугают даже [33 yellow submarine]<extra_id_1>` | `<SC1>я вырос на зэ битлс, меня не испугают даже тридцать три йеллоу сабмарин` | Yes |
| | `<SC1>слыш [nigga]<extra_id_0> ты слыхал про [gitdata]<extra_id_1>?` | `слыш нигга ты слыхал про джитдата?` | Yes |
| | `<SC1>стоимость [samsung 32MX Pro]<extra_id_0> — всего [189 600]<extra_id_1> руб!` | `стоимость самсунг тридцать два мкс про — всего сто восемьдесят девять тысяч шестьсот руб!` | **Not much** (`эм икс` would fit better) | |
