Rec&nition

Dette repository indeholder kode og modelvægtene til Rec&nition (Recognition) algortimen. Den er udviklet af Analyse og Tal F.M.B.A. med støtte fra TryghedsFonden.

Algoritmen er designet til at klassificere små tekststykker efter om de indeholder anerkendende sprog. Den er blevet brugt til at finde anerkendennde sprog i den offentlige debat, et arbejde som man kan læse om her.

Definitioner af anerkendende sprog

Algortimen er en binær klassifikationsalgortime der vurdere om et kort tekststykke indholdende anerkendende sprog eller ej. Definitionen af anerkendelse kan læses i filen definitioner.pdf.

Beskrivelse af algoritmen

Algortimen er udviklet vha. et annoteret datasæt med 67.188 tekststykker. Datasættet indeholder 14.911 eksempler på anerkendelse og 52.913 eksempler på tekststykker uden anerkendelse. Teksstykkerne er kommentarer og svar afgivet på opslag i en række offentlige Facebook Pages og større grupper. Datasættet er opdelt i et træningsdatasæt (70 %), et evalueringsdatasæt (20 %) og et testdatasæt (10 %).

Trænings- og evalueringsdatasættet blev brugt til at træne og udvælge den bedste kombination af algoritmearkitektur og hyperparametre. Til det brugte vi den højest macro average F1 score. Efter udvælgelsen af den bedste algoritme blev denne testet på testdatasættet.

Den bedste model bruger en dansk electra model som sprogmodel og har et feed forward lag til selve klassificeringen. Se modeldefinitionen i filen model_def.py.

Resultater

Resultaterne for algoritmen på evalueringsdatasættet er:

• Macro averace F1 score: 0.8068
• Precision: 0.8182
• Recall: 0.7970
• Confusion matrix:

	Annoteret ikke anerkendelse	Annoteret anerkendelse
Ikke anerkendelse iflg. Rec&nition	9858	732
Anerkendelse iflg. Rec&nition	997	1962

Og for testdatasættet:

• Macro averace F1 score: 0.7510
• Precision: 0.7340
• Recall: 0.7690
• Confusion matrix:

	Annoteret ikke-hadfuldt sprog	Annoteret hadfuldt sprog
Ikke-hadfuldt sprog iflg. Ha&te	4238	830
Hadfuldt sprog iflg. Ha&te	462	1084

Brug af algoritmen

For at gør brug af algortimen skal der først installeres transformers og pytorch:

pip install torch
pip install transformers

Derefter kan modellen bruges tests på enkelte tekststykker ved at køre følgende:

import torch
from transformers import AutoTokenizer
from model_def import ElectraClassifier

text = "Du har en rigtig god pointe"

def load_model():
    model_checkpoint = 'Maltehb/aelaectra-danish-electra-small-cased
    tokenizer = AutoTokenizer.from_pretrained(model_checkpoint, use_fast=True)

    model = ElectraClassifier(model_checkpoint,2)
    model_path = 'pytorch_model.bin'
    model.load_state_dict(torch.load(model_path, map_location=torch.device('cpu')))

    model.eval()

    return(model, tokenizer)

def make_prediction(text):
    tokenized_text = tokenizer(
        text,
        truncation=True,
        max_length=512,
        padding='max_length',
        return_attention_mask=True,
        return_token_type_ids=False,
        return_tensors='pt',
    )
    input_ids = tokenized_text['input_ids']
    attention_masks = tokenized_text['attention_mask']
    logits = model(input_ids,attention_masks)
    
    logit,preds = torch.max(logits, dim=1)
    return(int(preds))

model, tokenizer = load_model()
text_clf = make_prediction(text)

Hvor make_predition returnere klasse 0 hvis teksten vurderes til ikke at indeholde anerkendelse og klassen 1 hvis teksten vurderes at indeholde anerkendelse.

Funktionerne i data_prep.py kan bruges til at lave batch inferens.

Kontakt

Spørgsmål til indeholder af dette repository kan sendes til:

• Ronnie Taarnborg (ronnie@ogtal.dk)
• Edin Lind Ikanovic (edin@ogtal.dk)

Tak til:

Projektets annotører

• Ida Marcher Manøe
• Julie Enevoldsen
• Nikolaj Meldgaard Christensen
• Naja Bau Nielsen

Projektets advisory board

• Andreas Birkbak, Associat Professor, TANTlab, AAU
• Bolette Sandford Pedersen, Professor, CenterforSprogteknologi, KU
• Leon Derczynski, Associate Professor, ComputerScience, ITU
• Marianne Rathje, Seniorforsker, Dansk Sprognævn
• Michael Bang Petersen, Professor, Institut for Statskundskab, AU
• Rasmus Rønlev, Adjunkt, Center for Journalistik, SDU

Vores samarbejdspartnere hos TrygFonden

• Anders Hede, Forskningschef
• Christoffer Elbrønd, Projektchef
• Christian Nørr, Dokumentarist
• Peter Pilegaard Hansen, Projektchef

Danske Open-source teknologi vi står på skuldrene af

• The Danish Gigaword Project: Leon Derczynski, Manuel R. Ciosici
• Ælectra: Malte Højmark-Bertelsen