언어 모델 학습용 병합 말뭉치 생성 기능 제공

[lovit]

여러 종류의 Korpus 로부터 texts 성분만 취하여 이들을 병합하여 언어 모델을 학습할 때 사용할 수 있는 데이터로 정제하는 기능을 CLI 형태로 제공하면 좋을듯 합니다.

[lovit]

위의 커밋은 development version 으로, kcbert, kowikitext, namuwikitext 의 데이터양이 많기 때문에 파일의 1000 줄만 이용하여 데이터를 만들도록 hard-coding 되어 있습니다.

@ratsgo 지금 버전으로 인터페이스 및 기본적인 코드 리뷰 부탁드립니다.

아래는 두 종류의 사용예시입니다. --save_each 에 따라서 말뭉치를 하나의 파일에 저장할지, 각 코퍼스별로 별도의 파일에 저장할지 나뉘어집니다. --multilingual 이면 번역 데이터의 경우 한국어의 번역대상 언어도 포함합니다.

(script)

git checkout dev-lmdata#65
python setup.py install

korpora lmdata \
  --corpus all \
  --output_dir ~/local/train/ \
  --multilingual

(print message)

| Done | Corpus name               | Num sents  | File name |                                                                                                  
| ---- | ------------------------- | ---------- | --------- |                                                                                                  
|  x   | kcbert                    |       1000 | all.train |                                                                                                  
|  x   | korean_chatbot_data       |      23646 | all.train |                                                                                                  
|  x   | korean_hate_speech        |    2042260 | all.train |                                                                                                  
|  x   | korean_parallel_koen_news |     194246 | all.train |                                                                                                  
|  x   | korean_petitions          |     867262 | all.train |                                                                                                  
|  x   | kornli                    |    1900708 | all.train |                                                                                                  
|  x   | korsts                    |      17256 | all.train |                                                                                                  
|  x   | kowikitext                |       1582 | all.train |                                                                                                  
|  x   | namuwikitext              |       2081 | all.train |                                                                                                  
|  x   | naver_changwon_ner        |      90000 | all.train |                                                                                                  
|  x   | nsmc                      |     200000 | all.train |                                                                                                  
|  x   | question_pair             |      13776 | all.train |

(script)

git checkout dev-lmdata#65
python setup.py install

korpora lmdata \
  --corpus all \
  --output_dir ~/local/train/ \
  --multilingual \
  --save_each

(print message)

| Done | Corpus name               | Num sents  | File name                       |
| ---- | ------------------------- | ---------- | ------------------------------- |
|  x   | kcbert                    |       1000 | kcbert.train                    |
|  x   | korean_chatbot_data       |      23646 | korean_chatbot_data.train       |
|  x   | korean_hate_speech        |    2042260 | korean_hate_speech.train        |
|  x   | korean_parallel_koen_news |     194246 | korean_parallel_koen_news.train |
|  x   | korean_petitions          |     867262 | korean_petitions.train          |
|  x   | kornli                    |    1900708 | kornli.train                    |
|  x   | korsts                    |      17256 | korsts.train                    |
|  x   | kowikitext                |       1582 | kowikitext.train                |
|  x   | namuwikitext              |       2081 | namuwikitext.train              |
|  x   | naver_changwon_ner        |      90000 | naver_changwon_ner.train        |
|  x   | nsmc                      |     200000 | nsmc.train                      |
|  x   | question_pair             |      13776 | question_pair.train             |

@ratsgo 모두의 말뭉치는 Korpora.load() 기능 구현 후 추가작업을 할 예정입니다.

[lovit]

• --n_samples, --min_length, --max_length 기능은 Korpora 에서 제공
  • --n_samples 가 <1 float 일 경우 sample ratio
• --deduplicate 기능은 korpora-preprocessing 에서 제공