|
--- |
|
license: mit |
|
language: |
|
- gl |
|
metrics: |
|
- bleu (Gold1): 79.6 |
|
- bleu (Gold2): 43.3 |
|
- bleu (Flores): 21.8 |
|
- bleu (Test-suite): 74.3 |
|
--- |
|
|
|
**English text [here](https://huggingface.co/proxectonos/NOS-MT-OpenNMT-es-gl/blob/main/README_English.md)** |
|
|
|
**Descrición do Modelo** |
|
|
|
Modelo feito con OpenNMT-py 3.2 para o par español-galego utilizando unha arquitectura transformer. O modelo foi transformado para o formato da ctranslate2. |
|
|
|
**Como traducir con este Modelo** |
|
|
|
+ Instalar o [Python 3.9](https://www.python.org/downloads/release/python-390/) |
|
+ Instalar o [ctranslate 3.2](https://github.com/OpenNMT/CTranslate2) |
|
+ Traducir un input_text utilizando o modelo NOS-MT-es-gl co seguinte comando: |
|
```bash |
|
perl tokenizer.perl < input.txt > input.tok |
|
``` |
|
```bash |
|
subword_nmt.apply_bpe -c ./bpe/es.bpe < input.tok > input.bpe |
|
``` |
|
```bash |
|
python3 translate.py ./ct2-es-gl_12L input.bpe > output.txt |
|
``` |
|
```bash |
|
': sed -i 's/@@ //g' output.txt |
|
``` |
|
|
|
**Adestramento** |
|
|
|
No adestramento, utilizamos córpora auténticos e sintéticos do [ProxectoNós](https://github.com/proxectonos/corpora). Os primeiros son córpora de traducións feitas directamente por tradutores humanos. É importante salientar que a pesar destes textos seren feitos por humanos, non están libres de erros lingüísticos. Os segundos son córpora de traducións español-portugués, que convertemos en español-galego a través da tradución automática portugués-galego con Opentrad/Apertium e transliteración para palabras fóra de vocabulario. |
|
|
|
**Procedemento de adestramento** |
|
|
|
+ Tokenización dos datasets feita co tokenizador (tokenizer.pl) de [linguakit](https://github.com/citiususc/Linguakit) que foi modificado para evitar o salto de liña por token do ficheiro orixinal. |
|
|
|
+ O vocabulario BPE para os modelos foi xerado a través do script [learn_bpe.py](https://github.com/OpenNMT/OpenNMT-py/blob/master/tools/learn_bpe.py) da OpenNMT |
|
|
|
+ Utilizando o .yaml deste repositorio pode replicar o proceso de adestramento. É preciso modificar os paths do ficheiro .yaml para a Open NMT saber onde ir buscar os textos. Após facer isto, pode do seguinte xeito comezar o proceso: |
|
|
|
```bash |
|
onmt_build_vocab -config bpe-es-gl_emb.yaml -n_sample 40000 |
|
onmt_train -config bpe-es-gl_emb.yaml |
|
``` |
|
|
|
**Hiperparámetros** |
|
|
|
Os parámetros usados para o desenvolvemento do modelo poden ser consultados directamente no mesmo ficheiro .yaml bpe-es-gl_emb.yaml |
|
|
|
**Avaliación** |
|
|
|
A avaliación BLEU dos modelos é feita cunha mistura de tests desenvolvidos internamente (gold1, gold2, test-suite) con outros datasets disponíbeis en galego (Flores). |
|
|
|
| GOLD 1 | GOLD 2 | FLORES | TEST-SUITE| |
|
| ------------- |:-------------:| -------:|----------:| |
|
| 79.5 | 43.5 | 21.4 | 73.4 | |
|
|
|
**Licenzas do Modelo** |
|
|
|
MIT License |
|
|
|
Copyright (c) 2023 Proxecto Nós |
|
|
|
Permission is hereby granted, free of charge, to any person obtaining a copy |
|
of this software and associated documentation files (the "Software"), to deal |
|
in the Software without restriction, including without limitation the rights |
|
to use, copy, modify, merge, publish, distribute, sublicense, and/or sell |
|
copies of the Software, and to permit persons to whom the Software is |
|
furnished to do so, subject to the following conditions: |
|
|
|
The above copyright notice and this permission notice shall be included in all |
|
copies or substantial portions of the Software. |
|
|
|
THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR |
|
IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY, |
|
FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE |
|
AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER |
|
LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM, |
|
OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE |
|
SOFTWARE. |
|
|
|
**Financiamento** |
|
|
|
Esta investigación foi financiada polo proxecto "Nós: o galego na sociedade e economía da intelixencia artificial", resultado dun acordo entre a Xunta de Galicia e a Universidade de Santiago de Compostela, o que resultou no subsidio ED431G2019/04 da Consellaría de Educación, Universidade e Formación Profesional da Galiza, e polo Fondo Europeo de Desenvolvemento Rexional (programa ERDF/FEDER), e Grupos de Referencia: ED431C 2020/21. |
|
|
|
**Citar este traballo** |
|
|
|
Se utilizar este modelo no seu traballo, cite por favor así: |
|
|
|
Daniel Bardanca Outeirinho, Pablo Gamallo Otero, Iria de-Dios-Flores, and José Ramom Pichel Campos. 2024. |
|
Exploring the effects of vocabulary size in neural machine translation: Galician as a target language. |
|
In Proceedings of the 16th International Conference on Computational Processing of Portuguese, pages 600–604, |
|
Santiago de Compostela, Galiza. Association for Computational Lingustics. |
|
|
|
|
