khmerpunctuate 0.2.0

Punctuation Restoration for Khmer language

Punctuation Restoration for Khmer language

Built with [xashru/punctuation-restoration] using [xlm-roberta-khmer-small] and then exported to onnxruntime

Install

pip install khmerpunctuate

# Or
pip install git+https://github.com/seanghay/khmerpunctuate.git

Usage

Supported token types are

{
  0: "",
  1: " ",
  2: "!",
  3: "។",
  4: "?",
  5: "៖",
  6: "។\n",
  7: "B-NUMBER",
  8: "I-NUMBER",
  9: "B-QUOTE",
  10: "I-QUOTE",
}

from khmernormalizer import normalize
from khmercut import tokenize
from khmerpunctuate import punctuate

text = normalize("អយ្យការអមសាលាដំបូងរាជធានីភ្នំពេញបានព្រមានថានឹងចេញដីកាបញ្ជាឲ្យបង្ខំនិងឲ្យឃុំខ្លួនតាមនីតិវិធីប្រសិនបើលោករ៉ុងឈុនដែលបច្ចុប្បន្នជាទីប្រឹក្សាគណបក្សកម្លាំងជាតិមិនបានបង់ប្រាក់ពិន័យចំនួន២លានរៀលឲ្យបានមុនថ្ងៃទី០៤ខែមីនាឆ្នាំ២០២៤ទេនោះ")
tokens = tokenize(text)

output_text = ""
for token, punct, punct_id in punctuate(tokens):
  # exclude special tokens like I-NUMBER, B-NUMBER, I-QUOTE and B-QUOTE
  if punct_id < 7:
    output_text += token + punct
  else:
    output_text += token

print(output_text)

អយ្យការអមសាលាដំបូងរាជធានីភ្នំពេញ បានព្រមានថា នឹងចេញដីកាបញ្ជាឱ្យបង្ខំ និងឱ្យឃុំខ្លួនតាមនីតិវិធី ប្រសិនបើលោក រ៉ុង ឈុន ដែលបច្ចុប្បន្នជាទីប្រឹក្សាគណបក្សកម្លាំងជាតិ មិនបានបង់ប្រាក់ពិន័យចំនួន២លានរៀល ឱ្យបានមុនថ្ងៃទី០៤ខែមីនា ឆ្នាំ២០២៤ទេនោះ 

Example

The example below is available on [Google Colab]

Model file is hosted on [HuggingFace]

Evaluation

XLM RoBERTa Khmer: (49M params)

Precision	0.95528402	0.79168481	0.85507246	0.74523436	0.7877551	0.79452055	0.62296801	0.96415685	0.98617407	0.67324778	0.57505285	0.8240493
Recall	0.96957471	0.73475191	0.13947991	0.86194329	0.69010727	0.63736264	0.08452508	0.96852034	0.99192858	0.22035541	0.21068939	0.77592102
F1 score	0.96237631	0.76215662	0.2398374	0.79935128	0.73570521	0.70731707	0.14885353	0.96633367	0.98904296	0.33203505	0.30839002	0.79926129

Accuracy: 0.930086988701306

---

XLM RoBERTa Base (279M params)

Metric	1	2	3	4	5	6	7	8	9	10	11	12
Precision	0.96143204	0.82657744	0.88399072	0.79077633	0.82349285	0.85393258	0.55724225	0.96397178	0.98844483	0.72191436	0.67759563	0.8508466
Recall	0.97304725	0.77059714	0.45035461	0.90182234	0.78963051	0.83516484	0.18804696	0.97943409	0.99381541	0.46300485	0.43222308	0.81077656
F1 score	0.96720478	0.79760625	0.59671104	0.84265665	0.80620627	0.84444444	0.28120013	0.97164142	0.99112284	0.56417323	0.52778435	0.83032843
Accuracy	0.9399183767909306

License

MIT