Hugging Face's logo

fabhiansan
/
indoT5-AMRToTextGenerator

Safetensors
Indonesian
t5
AMR
Abstract-Meaning-Representation
AMRToText
Model card Files
xet
Community
indoT5-AMRToTextGenerator
File size: 2,987 Bytes 
720b183
 
 
 
 
 
 
 
 
 
d74a0cd
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
720b183
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
 
---
datasets:
- fabhiansan/XSUM-Indonesia-AMR-NLI
language:
- id
tags:
- AMR
- Abstract-Meaning-Representation
- AMRToText
---

# `indoT5-AMRToTextGenerator-V1.1`
Model ini adalah versi *fine-tuned* tugas generasi teks dari Abstract Meaning Representation (AMR) dalam Bahasa Indonesia. 
Proses *fine-tuning* dilakukan dengan menggunakan Dataset Augemnted dari AMRParser abdiharyadi/taufiq-indo-amr-generation-gold-v1.1-uncased terhadap XSum Indonesia.

**Bahasa Utama:** Indonesia


## Tujuan Penggunaan

* **Penggunaan Utama:** Model ini ditujukan untuk mengubah representasi AMR (Abstract Meaning Representation) dalam Bahasa Indonesia menjadi teks naratif yang dapat dibaca manusia. Ini bisa berguna untuk aplikasi seperti peringkasan teks berbasis AMR, augmentasi data, atau alat bantu pemahaman struktur semantik.


## Cara Penggunaan 
```python
    from transformers import T5TokenizerFast, AutoModelForSeq2SeqLM
    import torch

    model_path = "fabhiansan/indoT5-AMRToTextGenerator"
    tokenizer_path = "fabhiansan/indoT5-AMRToTextGenerator"

    tokenizer = T5TokenizerFast.from_pretrained(tokenizer_path)
    model = AutoModelForSeq2SeqLM.from_pretrained(model_path)

    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    model.to(device)
    model.eval() # Set model ke mode evaluasi

    contoh_amr = """
    (w / want-01
          :ARG0 (b / boy)
          :ARG1 (g / go-01
                :ARG0 b
                :ARG2 (c / cinema)))
    """
    prefix = "translate graph to indonesian: "
    input_text = prefix + contoh_amr.strip() # Hilangkan spasi berlebih di awal/akhir

    inputs = tokenizer(
        input_text,
        return_tensors='pt',
        padding=True,
        truncation=True,
        max_length=512
    )

    inputs = {k: v.to(device) for k, v in inputs.items()}

    print("Melakukan generasi teks...")
    with torch.no_grad(): # Tidak perlu menghitung gradien saat inferensi
        outputs = model.generate(
            input_ids=inputs['input_ids'],
            attention_mask=inputs['attention_mask'],
            max_length=512,       # Max length untuk output yang digenerasi
            num_beams=5,          # Contoh parameter beam search
            repetition_penalty=2.5,
            length_penalty=1.0,
            early_stopping=True
        )
        
    generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
        
    print("\nInput AMR:")
    print(contoh_amr)
    print("\nGenerated Indonesian Text:")
    print(generated_text)
```


**Penelitian terkait (Daryanto dan Khodra, 2022):**


```bibtex
@INPROCEEDINGS{9932960,
  author={Daryanto, Taufiq Husada and Khodra, Masayu Leylia},
  booktitle={2022 9th International Conference on Advanced Informatics: Concepts, Theory and Applications (ICAICTA)},
  title={Indonesian AMR-to-Text Generation by Language Model Fine-tuning},
  year={2022},
  volume={},
  number={},
  pages={1-6},
  doi={10.1109/ICAICTA56449.2022.9932960}
    }
```