saarus72/russian_text_normalizer

Russian text normalization

Finetuned version of FRED-T5 large 820M.

Code repo.

Trained on ficbook, librusec and pikabu sentences, inverse text normalized using modified version of word_to_number_ru package.

Also used Kaggle Text Normalization Challenge 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.

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)