GNER T5 Large V2

🚀 生成的名前付きエンティティ認識のための負例の再考

GNERは、生成的名前付きエンティティ認識（Generative Named Entity Recognition）フレームワークです。このフレームワークは、未見のエンティティドメインに対して強力なゼロショット能力を示します。LLaMAとFlan - T5という2つの代表的な生成モデルでの実験により、学習プロセスに負例を組み込むことで性能が大幅に向上することがわかりました。結果として得られたGNER - LLaMAとGNER - T5モデルは、それぞれ$F_1$スコアで8ポイントと11ポイントの改善を達成し、最先端（SoTA）のアプローチを大きく上回っています。コードとモデルは公開されています。

• 💻 コード: https://github.com/yyDing1/GNER/
• 📖 論文: Rethinking Negative Instances for Generative Named Entity Recognition
• 💾 🤗 HuggingFace Hubのモデル: GNER-Models
• 🧪 再現材料: Reproduction Materials
• 🎨 サンプルのJupyterノートブック: GNER Notebook

✨ 主な機能

ゼロショット能力

GNERは、未見のエンティティドメインに対して優れたゼロショット能力を発揮します。

性能向上

負例を学習プロセスに組み込むことで、$F_1$スコアが大幅に向上し、最先端のアプローチを上回ります。

📦 インストール

依存関係をインストールする必要があります。

pip install torch datasets deepspeed accelerate transformers protobuf

💻 使用例

基本的な使用法

以下はGNER-T5を使用した簡単な推論の例です。

>>> import torch
>>> from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
>>> tokenizer = AutoTokenizer.from_pretrained("dyyyyyyyy/GNER-T5-xxl")
>>> model = AutoModelForSeq2SeqLM.from_pretrained("dyyyyyyyy/GNER-T5-xxl", torch_dtype=torch.bfloat16).cuda()
>>> model = model.eval()
>>> instruction_template = "Please analyze the sentence provided, identifying the type of entity for each word on a token-by-token basis.\nOutput format is: word_1(label_1), word_2(label_2), ...\nWe'll use the BIO-format to label the entities, where:\n1. B- (Begin) indicates the start of a named entity.\n2. I- (Inside) is used for words within a named entity but are not the first word.\n3. O (Outside) denotes words that are not part of a named entity.\n"
>>> sentence = "did george clooney make a musical in the 1980s"
>>> entity_labels = ["genre", "rating", "review", "plot", "song", "average ratings", "director", "character", "trailer", "year", "actor", "title"]
>>> instruction = f"{instruction_template}\nUse the specific entity tags: {', '.join(entity_labels)} and O.\nSentence: {sentence}"
>>> inputs = tokenizer(instruction, return_tensors="pt").to("cuda")
>>> outputs = model.generate(**inputs, max_new_tokens=640)
>>> response = tokenizer.decode(outputs[0], skip_special_tokens=True)
>>> print(response)
"did(O) george(B-actor) clooney(I-actor) make(O) a(O) musical(B-genre) in(O) the(O) 1980s(B-year)"

📚 ドキュメント

GNERモデルの使用方法については、サンプルのJupyterノートブックを参照してください。

📄 ライセンス

このプロジェクトはApache - 2.0ライセンスの下で公開されています。

📚 詳細情報

事前学習済みモデル

LLaMA (7B) とFlan - T5 (base, large, xl, xxl) をベースにした5つのGNERモデルを公開しています。

引用

@misc{ding2024rethinking,
      title={Rethinking Negative Instances for Generative Named Entity Recognition}, 
      author={Yuyang Ding and Juntao Li and Pinzheng Wang and Zecheng Tang and Bowen Yan and Min Zhang},
      year={2024},
      eprint={2402.16602},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}