|
--- |
|
license: cc-by-nc-4.0 |
|
language: |
|
- hu |
|
metrics: |
|
- accuracy |
|
- f1 |
|
model-index: |
|
- name: huBERTPlain |
|
results: |
|
- task: |
|
type: text-classification |
|
metrics: |
|
- type: accuracy |
|
value: 0.74 |
|
- type: f1 |
|
value: 0.74 |
|
widget: |
|
- text: "Az egységes gyakorlati alkalmazás érdekében, illetve abból a célból, hogy a független kisüzemi termelői státuszt valamennyi tagállamban könnyebben elismerjék a Bizottság 2022. január 1-jével kezdődően uniós végrehajtási rendeletben határozta meg: egységes űrlap rendszeresítésével a tanúsítvány formáját, tartalmát és a kiállítására vonatkozó részlet szabályokat; a tanúsítvány meghatározott adatainak a 2008/118/EK irányelv IV. fejezete szerinti szállításához szükséges adminisztratív okmányban, azaz az Adminisztratív kísérőokmányon (NAV_VP_IE815 jelű nyomtatvány) történő szerepeltetését; a tanúsítvány meghatározott adatainak 2008/118/EK irányelv V. fejezete szerinti szállításához szükséges adminisztratív okmányban, azaz az Egyszerűsített Kísérő Okmányon (NAV_VP_HU815e jelű nyomtatvány) történő szerepeltetését." |
|
example_title: "Incomprehensible" |
|
|
|
- text: "Az AEO-engedély birtokosainak listáján – keresésre – megjelenő információk: az engedélyes neve, az engedélyt kibocsátó ország, az engedély típusa." |
|
exmaple_title: "Comprehensible" |
|
|
|
--- |
|
|
|
## Model description |
|
|
|
Cased fine-tuned BERT model for Hungarian, trained on a dataset provided by National Tax and Customs Administration - Hungary (NAV): Public Accessibilty Programme. |
|
Refined version of the huBERTPlain ('uvegesistvan/huBERTPlain') model. |
|
Trainig data cleaned further: |
|
* Minor corrections in sentence segmentation results. |
|
* Train data filtered: sentence pairs (original - rephrased) filtered out in each document, where two sentences' Levenstein distance was less then 3. These assumed to be spelling corrections, therefore potentially less helpful for Plain Language classification. |
|
|
|
## Intended uses & limitations |
|
|
|
The model can be used as any other (cased) BERT model. It has been tested recognizing "accessible" and "original" sentences, where: |
|
* "accessible" - "Label_0": sentence, that can be considered as comprehensible (regarding to Plain Language directives) |
|
* "original" - "Label_1": sentence, that needs to rephrased in order to follow Plain Language Guidelines. |
|
|
|
## Training |
|
|
|
Fine-tuned version of the original huBERT model (`SZTAKI-HLT/hubert-base-cc`), trained on information materials provided by NAV linguistic experts. |
|
|
|
## Eval results |
|
|
|
| Class | Precision | Recall | F-Score | |
|
|-----|------------|------------|------| |
|
| **Accessible / Label_0** | **0.75** | **0.72** | **0.73**| |
|
| **Original / Label_1** | **0.74** | **0.77** | **0.75**| |
|
| **accuracy** | | | **0.74**| |
|
| **macro avg** | **0.74** | **0.74** | **0.74**| |
|
| **weighted avg** | **0.74** | **0.74** | **0.74**| |
|
|
|
## Usage |
|
|
|
```py |
|
from transformers import AutoTokenizer, AutoModelForSequenceClassification |
|
|
|
tokenizer = AutoTokenizer.from_pretrained("uvegesistvan/huBERTPlain_v2") |
|
model = AutoModelForSequenceClassification.from_pretrained("uvegesistvan/huBERTPlain_v2") |
|
``` |
|
|
|
### BibTeX entry and citation info |
|
|
|
If you use the model, please cite the following dissertation (to be submitted for workshop discussion): |
|
|
|
Bibtex: |
|
```bibtex |
|
@PhDThesis{ Uveges:2024, |
|
author = {{"U}veges, Istv{\'a}n}, |
|
title = {K{\"o}z{\'e}rthet{\"o} és automatiz{\'a}ci{\'o} - k{\'i}s{\'e}rletek a jog, term{\'e}szetesnyelv-feldolgoz{\'a}s {\'e}s informatika hat{\'a}r{\'a}n.}, |
|
year = {2024}, |
|
school = {Szegedi Tudom{\'a}nyegyetem} |
|
} |
|
``` |
