BM-K / KoChatBART

😎 KoChatBART

BART ( B idirectional and A uto- R egressive T ransformers)는 입력 텍스트 일부에 노이즈를 추가하여 이를 다시 원문으로 복구하는 autoencoder 의 형태로 학습이 됩니다. 한국어 채팅 BART(이하 KoChatBART ) 는 논문에서 사용된 Text Infilling 노이즈 함수를 사용하여 약 10GB 이상의 한국어 대화 텍스트에 대해서 학습한 한국어 encoder-decoder 언어 모델입니다. 이를 통해 도출된 대화 생성에 강건한 KoChatBART-base 를 배포합니다.

Quick tour

from transformers import AutoTokenizer, BartForConditionalGeneration
  
tokenizer = AutoTokenizer.from_pretrained("BM-K/KoChatBART")
model = BartForConditionalGeneration.from_pretrained("BM-K/KoChatBART")

inputs = tokenizer("안녕 세상아!", return_tensors="pt")
outputs = model(**inputs)

사전 학습 데이터 전처리

사용한 데이터셋

• 주제별 텍스트 일상 대화 데이터
• 소상공인 고객 주문 질의-응답 텍스트
• 한국어 SNS
• 민원 업무 자동화 인공지능 언어 데이터

KoChatBART를 학습시키기 위하여 한국어 대화 데이터셋들을 전처리 후 합쳐 대량의 한국어 대화 말뭉치를 만들었습니다.

1. 데이터의 중복을 줄이기 위해 'ㅋㅋㅋㅋㅋㅋ'와 같은 중복된 표현이 2번 이상 반복될 때는 'ㅋㅋ'와 같이 2번으로 바꿨습니다.
2. 너무 짧은 데이터는 학습에 방해가 될 수 있기 때문에 KoBART 토크나이저 기준 전체 토큰 길이가 3을 넘는 데이터만을 선별했습니다.
3. 가명처리된 데이터는 제거하였습니다.

Model

대화 생성 성능 측정

다음 코드 (Dialogue Generator) 를 기반으로 각 모델을 fine-tuning 하였습니다. 대화 생성 성능 측정을 위해 추론 시 토크나이징되어 생성된 응답을 복원한 후, BPE tokenizer를 사용하여 실제 응답과 생성된 응답 사이의 overlap 및 distinct를 측정하였습니다.

Warning
일반적으로 짧은 대화 데이터로 모델을 사전학습하였기 때문에 긴 문장 처리가 요구되는 태스크(요약) 등에 대해서는 약한 모습을 보입니다.

실험 결과

• 감성 대화 데이터

• 소상공인 대화 데이터

Contributors

Reference

• KoBART