|
--- |
|
--- |
|
license: cc-by-nc-sa-4.0 |
|
datasets: |
|
- Iker/NoticIA |
|
language: |
|
- es |
|
metrics: |
|
- rouge |
|
library_name: transformers |
|
pipeline_tag: text-generation |
|
base_model: google/gemma-2b-it |
|
tags: |
|
- clickbait |
|
- noticia |
|
- spanish |
|
- summary |
|
- summarization |
|
widget: |
|
- example_title: Summary |
|
messages: |
|
- role: user |
|
content: "Ahora eres una Inteligencia Artificial experta en desmontar titulares |
|
sensacionalistas o clickbait. Tu tarea consiste en analizar noticias |
|
con titulares sensacionalistas y generar un resumen de una sola frase |
|
que revele la verdad detrás del titular.\\nEste es el titular de la |
|
noticia: Le compra un abrigo a su abuela de 97 años y la reacción de |
|
esta es una fantasía\\nEl titular plantea una pregunta o proporciona |
|
información incompleta. Debes buscar en el cuerpo de la noticia una |
|
frase que responda lo que se sugiere en el título. Siempre que puedas |
|
cita el texto original, especialmente si se trata de una frase que |
|
alguien ha dicho. Si citas una frase que alguien ha dicho, usa |
|
comillas para indicar que es una cita. Usa siempre las mínimas |
|
palabras posibles. No es necesario que la respuesta sea una oración |
|
completa. Puede ser sólo el foco de la pregunta. Recuerda responder |
|
siempre en Español.\\nEste es el cuerpo de la noticia:\\nLa usuaria de |
|
X @Kokreta1 ha relatado la conversación que ha tenido con su abuela de |
|
97 años cuando le ha dado el abrigo que le ha comprado para su |
|
cumpleaños.\\nTeniendo en cuenta la avanzada edad de la señora, la |
|
tuitera le ha regalado una prenda acorde a sus años, algo con lo que |
|
su yaya no ha estado de acuerdo.\\nEl abrigo es de vieja, ha opinado |
|
la mujer cuando lo ha visto. Os juro que soy muy fan. Mañana vamos las |
|
dos (a por otro). Eso sí, la voy a llevar al Bershka, ha asegurado |
|
entre risas la joven.\\nSegún la propia cadena de ropa, la cual |
|
pertenece a Inditex, su público se caracteriza por ser jóvenes |
|
atrevidos, conocedores de las últimas tendencias e interesados en la |
|
música, las redes sociales y las nuevas tecnologías, por lo que la |
|
gente mayor no suele llevar este estilo.\\nLa inusual personalidad de |
|
la señora ha encantado a los usuarios de la red. Es por eso que el |
|
relato ha acumulado más de 1.000 me gusta y cerca de 100 retuits, |
|
además de una multitud de comentarios.\\n" |
|
--- |
|
|
|
<table> |
|
<tr> |
|
<td style="width:100%"><img src="https://github.com/ikergarcia1996/NoticIA/blob/main/assets/head.png?raw=true" align="right" width="100%"> </td> |
|
</tr> |
|
</table> |
|
|
|
A model finetuned with the [NoticIA Dataset](https://huggingface.co/datasets/Iker/NoticIA). This model can generate summaries of clickbait headlines |
|
|
|
If you are looking for a larger model, with better performance, check out [ClickbaitFighter-10B](https://huggingface.co/Iker/ClickbaitFighter-10B). |
|
|
|
- 📖 Paper: [NoticIA: A Clickbait Article Summarization Dataset in Spanish](https://arxiv.org/abs/2404.07611) |
|
- 📓 NoticIA Dataset: [https://huggingface.co/datasets/Iker/NoticIA](https://huggingface.co/datasets/Iker/NoticIA) |
|
- 💻 Baseline Code: [https://github.com/ikergarcia1996/NoticIA](https://github.com/ikergarcia1996/NoticIA) |
|
- 🤖 Pre Trained Models [https://huggingface.co/collections/Iker/noticia-and-clickbaitfighter-65fdb2f80c34d7c063d3e48e](https://huggingface.co/collections/Iker/noticia-and-clickbaitfighter-65fdb2f80c34d7c063d3e48e) |
|
- 🔌 Online Demo: [https://iker-clickbaitfighter.hf.space/](https://iker-clickbaitfighter.hf.space/) |
|
|
|
# Open Source Models |
|
<table border="1" cellspacing="0" cellpadding="5"> |
|
<thead> |
|
<tr> |
|
<th></th> |
|
<th><a href="https://huggingface.co/Iker/ClickbaitFighter-2B">Iker/ClickbaitFighter-2B</a></th> |
|
<th><a href="https://huggingface.co/Iker/ClickbaitFighter-7B">Iker/ClickbaitFighter-7B</a></th> |
|
<th><a href="https://huggingface.co/Iker/ClickbaitFighter-10B">Iker/ClickbaitFighter-10B</a></th> |
|
</tr> |
|
</thead> |
|
<tbody> |
|
<tr> |
|
<td>Param. no.</td> |
|
<td>2B</td> |
|
<td>7B</td> |
|
<td>10M</td> |
|
</tr> |
|
<tr> |
|
<td>ROUGE</td> |
|
<td>36.26</td> |
|
<td>49.81</td> |
|
<td>52.01</td> |
|
</tr> |
|
<tr> |
|
</tbody> |
|
</table> |
|
|
|
# Evaluation Results |
|
<table> |
|
<tr> |
|
<td style="width:100%"><img src="https://github.com/ikergarcia1996/NoticIA/raw/main/results/Results.png" align="right" width="100%"> </td> |
|
</tr> |
|
</table> |
|
|
|
|
|
# Usage example: |
|
|
|
## Summarize a web article |
|
```python |
|
import torch # pip install torch |
|
from newspaper import Article #pip3 install newspaper3k |
|
from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig # pip install transformers |
|
|
|
article_url ="https://www.huffingtonpost.es/virales/le-compra-abrigo-abuela-97nos-reaccion-fantasia.html" |
|
article = Article(article_url) |
|
article.download() |
|
article.parse() |
|
headline=article.title |
|
body = article.text |
|
|
|
def prompt( |
|
headline: str, |
|
body: str, |
|
) -> str: |
|
""" |
|
Generate the prompt for the model. |
|
|
|
Args: |
|
headline (`str`): |
|
The headline of the article. |
|
body (`str`): |
|
The body of the article. |
|
Returns: |
|
`str`: The formatted prompt. |
|
""" |
|
|
|
return ( |
|
f"Ahora eres una Inteligencia Artificial experta en desmontar titulares sensacionalistas o clickbait. " |
|
f"Tu tarea consiste en analizar noticias con titulares sensacionalistas y " |
|
f"generar un resumen de una sola frase que revele la verdad detrás del titular.\n" |
|
f"Este es el titular de la noticia: {headline}\n" |
|
f"El titular plantea una pregunta o proporciona información incompleta. " |
|
f"Debes buscar en el cuerpo de la noticia una frase que responda lo que se sugiere en el título. " |
|
f"Siempre que puedas cita el texto original, especialmente si se trata de una frase que alguien ha dicho. " |
|
f"Si citas una frase que alguien ha dicho, usa comillas para indicar que es una cita. " |
|
f"Usa siempre las mínimas palabras posibles. No es necesario que la respuesta sea una oración completa. " |
|
f"Puede ser sólo el foco de la pregunta. " |
|
f"Recuerda responder siempre en Español.\n" |
|
f"Este es el cuerpo de la noticia:\n" |
|
f"{body}\n" |
|
) |
|
|
|
prompt = prompt(headline=headline, body=body) |
|
|
|
tokenizer = AutoTokenizer.from_pretrained("Iker/ClickbaitFighter-2B") |
|
model = AutoModelForCausalLM.from_pretrained( |
|
"Iker/ClickbaitFighter-2B", torch_dtype=torch.bfloat16, device_map="auto" |
|
) |
|
|
|
formatted_prompt = tokenizer.apply_chat_template( |
|
[{"role": "user", "content": prompt}], |
|
tokenize=False, |
|
add_generation_prompt=True, |
|
) |
|
|
|
model_inputs = tokenizer( |
|
[formatted_prompt], return_tensors="pt", add_special_tokens=False |
|
) |
|
|
|
model_output = model.generate(**model_inputs.to(model.device), generation_config=GenerationConfig( |
|
max_new_tokens=32, |
|
min_new_tokens=1, |
|
do_sample=False, |
|
num_beams=1, |
|
use_cache=True |
|
)) |
|
|
|
summary = tokenizer.batch_decode(model_output,skip_special_tokens=True)[0] |
|
|
|
print(summary.strip().split("\n")[-1]) # Get only the summary, without the prompt. |
|
``` |
|
|
|
## Run inference in the NoticIA dataset |
|
```python |
|
import torch # pip install torch |
|
from datasets import load_dataset # pip install datasets |
|
from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig # pip install transformers |
|
|
|
dataset = load_dataset("Iker/NoticIA") |
|
example = dataset["test"][0] |
|
headline = example["web_headline"] |
|
body = example["web_text"] |
|
|
|
def prompt( |
|
headline: str, |
|
body: str, |
|
) -> str: |
|
""" |
|
Generate the prompt for the model. |
|
|
|
Args: |
|
headline (`str`): |
|
The headline of the article. |
|
body (`str`): |
|
The body of the article. |
|
Returns: |
|
`str`: The formatted prompt. |
|
""" |
|
|
|
return ( |
|
f"Ahora eres una Inteligencia Artificial experta en desmontar titulares sensacionalistas o clickbait. " |
|
f"Tu tarea consiste en analizar noticias con titulares sensacionalistas y " |
|
f"generar un resumen de una sola frase que revele la verdad detrás del titular.\n" |
|
f"Este es el titular de la noticia: {headline}\n" |
|
f"El titular plantea una pregunta o proporciona información incompleta. " |
|
f"Debes buscar en el cuerpo de la noticia una frase que responda lo que se sugiere en el título. " |
|
f"Siempre que puedas cita el texto original, especialmente si se trata de una frase que alguien ha dicho. " |
|
f"Si citas una frase que alguien ha dicho, usa comillas para indicar que es una cita. " |
|
f"Usa siempre las mínimas palabras posibles. No es necesario que la respuesta sea una oración completa. " |
|
f"Puede ser sólo el foco de la pregunta. " |
|
f"Recuerda responder siempre en Español.\n" |
|
f"Este es el cuerpo de la noticia:\n" |
|
f"{body}\n" |
|
) |
|
|
|
prompt = prompt(headline=headline, body=body) |
|
|
|
tokenizer = AutoTokenizer.from_pretrained("Iker/ClickbaitFighter-2B") |
|
model = AutoModelForCausalLM.from_pretrained( |
|
"Iker/ClickbaitFighter-2B", torch_dtype=torch.bfloat16, device_map="auto" |
|
) |
|
|
|
formatted_prompt = tokenizer.apply_chat_template( |
|
[{"role": "user", "content": prompt}], |
|
tokenize=False, |
|
add_generation_prompt=True, |
|
) |
|
|
|
model_inputs = tokenizer( |
|
[formatted_prompt], return_tensors="pt", add_special_tokens=False |
|
) |
|
|
|
model_output = model.generate(**model_inputs.to(model.device), generation_config=GenerationConfig( |
|
max_new_tokens=32, |
|
min_new_tokens=1, |
|
do_sample=False, |
|
num_beams=1, |
|
use_cache=True |
|
)) |
|
|
|
summary = tokenizer.batch_decode(model_output,skip_special_tokens=True)[0] |
|
|
|
print(summary.strip().split("\n")[-1]) # Get only the summary, without the prompt. |
|
``` |
|
|
|
|
|
# Citation |
|
|
|
```bittext |
|
@misc{noticia2024, |
|
title={NoticIA: A Clickbait Article Summarization Dataset in Spanish}, |
|
author={Iker García-Ferrero and Begoña Altuna}, |
|
year={2024}, |
|
eprint={2404.07611}, |
|
archivePrefix={arXiv}, |
|
primaryClass={cs.CL} |
|
} |
|
``` |
