%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
JA
Fr Core News Lg
spaCyが提供する大規模フランス語言語処理モデル、CPU最適化済み、複数のNLPタスクをサポート
ダウンロード数 1,572
リリース時間 : 3/2/2022
モデル概要
これは包括的なフランス語自然言語処理パイプラインで、品詞タグ付け、固有表現認識、依存構文解析、語彙素還元などの機能を含みます。モデルは高品質なフランス語コーパスでトレーニングされ、ニュース分野のテキスト処理に適しています。
モデル特徴
マルチタスク処理能力
単一モデルで固有表現認識、品詞タグ付け、依存解析、語彙素還元など複数のNLPタスクをサポート
CPU最適化
CPU使用シナリオ向けに最適化されており、GPUなしで効率的に動作
高品質なベクトル表現
500,000の事前トレーニング済み単語ベクトル（300次元）を含み、豊富な意味表現を提供
包括的な形態素解析
フランス語の豊富な形態素特徴（性、数、時制など）の解析をサポート
モデル能力
固有表現認識
品詞タグ付け
形態素解析
語彙素還元
依存構文解析
文分割
使用事例
テキスト分析
ニュースコンテンツ分析
フランス語ニュースから固有表現（人名、地名、組織名など）を抽出
NER F値が0.839を達成
文法分析
フランス語文章の文法構造と品詞タグ付けを分析
UPOSタグ付け精度が0.973
情報抽出
構造化データ抽出
非構造化フランス語テキストから構造化情報を抽出
🚀 fr_core_news_lg
このモデルは、CPU向けに最適化されたフランス語のパイプラインです。様々な自然言語処理タスク（NER、TAG、POSなど）に対応しており、高い精度を誇ります。
🚀 クイックスタート
詳細はこちらをご覧ください：https://spacy.io/models/fr#fr_core_news_lg
✨ 主な機能
- CPU向けに最適化されたフランス語パイプライン。
- 多くの自然言語処理タスクに対応。
- 高い精度でのタスク実行。
📚 ドキュメント
モデル情報
| 属性 | 详情 |
|---|---|
| モデル名 | fr_core_news_lg |
| バージョン | 3.7.0 |
| spaCy | >=3.7.0,<3.8.0 |
| デフォルトパイプライン | tok2vec, morphologizer, parser, attribute_ruler, lemmatizer, ner |
| コンポーネント | tok2vec, morphologizer, parser, senter, attribute_ruler, lemmatizer, ner |
| ベクトル | 500000キー、500000個の一意のベクトル（300次元） |
| ソース | UD French Sequoia v2.8 (Candito, Marie; Seddah, Djamé; Perrier, Guy; Guillaume, Bruno) WikiNER (Joel Nothman, Nicky Ringland, Will Radford, Tara Murphy, James R Curran) spaCy lookups data (Explosion) Explosion fastText Vectors (cbow, OSCAR Common Crawl + Wikipedia) (Explosion) |
| ライセンス | LGPL-LR |
| 作者 | Explosion |
ラベルスキーム
ラベルスキームを表示 (3つのコンポーネントに対する237のラベル)
| コンポーネント | ラベル |
|---|---|
morphologizer |
POS=PROPN, Gender=Fem|Number=Sing|POS=DET|PronType=Dem, Gender=Fem|Number=Sing|POS=NOUN, Number=Plur|POS=PRON|Person=1, Mood=Ind|Number=Sing|POS=VERB|Person=3|Tense=Pres|VerbForm=Fin, POS=SCONJ, POS=ADP, Definite=Def|Gender=Masc|Number=Sing|POS=DET|PronType=Art, NumType=Ord|POS=ADJ, Gender=Masc|Number=Sing|POS=NOUN, POS=PUNCT, Gender=Masc|Number=Sing|POS=PROPN, Number=Plur|POS=ADJ, Gender=Masc|Number=Plur|POS=NOUN, Definite=Ind|Gender=Fem|Number=Sing|POS=DET|PronType=Art, Number=Sing|POS=ADJ, Mood=Ind|Number=Sing|POS=VERB|Person=3|Tense=Imp|VerbForm=Fin, POS=ADV, Mood=Ind|Number=Sing|POS=AUX|Person=3|Tense=Past|VerbForm=Fin, Gender=Fem|Number=Sing|POS=VERB|Tense=Past|VerbForm=Part|Voice=Pass, Definite=Def|Gender=Fem|Number=Sing|POS=DET|PronType=Art, Gender=Fem|Number=Sing|POS=PROPN, Definite=Def|Number=Sing|POS=DET|PronType=Art, NumType=Card|POS=NUM, Definite=Def|Number=Plur|POS=DET|PronType=Art, Gender=Masc|Number=Plur|POS=ADJ, POS=CCONJ, Gender=Fem|Number=Plur|POS=NOUN, Mood=Ind|Number=Plur|POS=VERB|Person=3|Tense=Past|VerbForm=Fin, Gender=Masc|Number=Sing|POS=VERB|Tense=Past|VerbForm=Part, Gender=Fem|Number=Plur|POS=ADJ, POS=ADJ, Mood=Ind|Number=Sing|POS=VERB|Person=3|Tense=Past|VerbForm=Fin, POS=PRON|PronType=Rel, Number=Sing|POS=DET|Poss=Yes, Definite=Def|Gender=Masc|Number=Sing|POS=ADP|PronType=Art, Definite=Def|Number=Plur|POS=ADP|PronType=Art, Definite=Ind|Number=Plur|POS=DET|PronType=Art, Mood=Ind|Number=Plur|POS=AUX|Person=3|Tense=Past|VerbForm=Fin, Gender=Masc|Number=Plur|POS=VERB|Tense=Past|VerbForm=Part|Voice=Pass, Mood=Ind|Number=Sing|POS=AUX|Person=3|Tense=Pres|VerbForm=Fin, POS=VERB|VerbForm=Inf, Gender=Fem|Number=Sing|POS=ADJ, Gender=Masc|Number=Sing|POS=PRON|Person=3, Number=Plur|POS=DET, Mood=Ind|Number=Plur|POS=AUX|Person=3|Tense=Pres|VerbForm=Fin, Gender=Masc|Number=Sing|POS=ADJ, Gender=Masc|Number=Sing|POS=DET|PronType=Dem, POS=ADV|PronType=Int, POS=VERB|Tense=Pres|VerbForm=Part, Gender=Fem|Number=Sing|POS=VERB|Tense=Past|VerbForm=Part, Definite=Ind|Gender=Masc|Number=Sing|POS=DET|PronType=Art, Gender=Masc|POS=ADJ, Mood=Ind|Number=Plur|POS=VERB|Person=3|Tense=Fut|VerbForm=Fin, Number=Plur|POS=DET|Poss=Yes, POS=AUX|VerbForm=Inf, Gender=Masc|Number=Sing|POS=VERB|Tense=Past|VerbForm=Part|Voice=Pass, Gender=Masc|POS=VERB|Tense=Past|VerbForm=Part, POS=ADV|Polarity=Neg, Definite=Ind|Number=Sing|POS=DET|PronType=Art, Gender=Fem|Number=Sing|POS=PRON|Person=3, POS=PRON|Person=3|Reflex=Yes, Gender=Masc|POS=NOUN, POS=AUX|Tense=Past|VerbForm=Part, POS=PRON|Person=3, Number=Plur|POS=NOUN, NumType=Ord|Number=Sing|POS=ADJ, POS=VERB|Tense=Past|VerbForm=Part, POS=AUX|Tense=Pres|VerbForm=Part, Gender=Masc|Number=Plur|POS=VERB|Tense=Past|VerbForm=Part, Number=Sing|POS=PRON|Person=3, Number=Sing|POS=NOUN, Gender=Masc|Number=Plur|POS=PRON|Person=3, Mood=Ind|Number=Plur|POS=VERB|Person=3|Tense=Imp|VerbForm=Fin, Gender=Fem|NumType=Ord|Number=Sing|POS=ADJ, Number=Plur|POS=PROPN, Number=Sing|POS=PROPN, Mood=Ind|Number=Sing|POS=AUX|Person=3|Tense=Imp|VerbForm=Fin, Mood=Ind|Number=Plur|POS=VERB|Person=3|Tense=Pres|VerbForm=Fin, Gender=Masc|Number=Plur|POS=PRON|PronType=Dem, Gender=Masc|Number=Sing|POS=DET, Gender=Fem|Number=Sing|POS=DET|Poss=Yes, Gender=Masc|POS=PRON, POS=NOUN, Mood=Ind|Number=Sing|POS=VERB|Person=3|Tense=Fut|VerbForm=Fin, Mood=Ind|Number=Sing|POS=AUX|Person=3|Tense=Fut|VerbForm=Fin, Mood=Ind|Number=Plur|POS=VERB|Person=1|Tense=Pres|VerbForm=Fin, Number=Plur|POS=PRON, Gender=Masc|NumType=Ord|Number=Plur|POS=ADJ, Mood=Ind|Number=Plur|POS=AUX|Person=3|Tense=Fut|VerbForm=Fin, Gender=Fem|Number=Plur|POS=VERB|Tense=Past|VerbForm=Part|Voice=Pass, Number=Sing|POS=PRON, Number=Sing|POS=PRON|PronType=Dem, Mood=Ind|POS=VERB|VerbForm=Fin, Number=Plur|POS=DET|PronType=Dem, Gender=Masc|Number=Sing|POS=PRON|Person=3|PronType=Prs, Gender=Masc|Number=Plur|POS=PRON|Person=3|PronType=Prs, Gender=Masc|Number=Sing|POS=PRON, Gender=Masc|Number=Sing|POS=PRON|Person=3|PronType=Dem, Number=Sing|POS=PRON|Person=2|PronType=Prs, Gender=Masc|Number=Sing|POS=PRON|PronType=Rel, Mood=Ind|Number=Plur|POS=AUX|Person=3|Tense=Imp|VerbForm=Fin, Mood=Sub|Number=Sing|POS=AUX|Person=3|Tense=Pres|VerbForm=Fin, Gender=Masc|NumType=Ord|Number=Sing|POS=ADJ, POS=PRON, POS=NUM, Gender=Fem|POS=NOUN, POS=SPACE, Gender=Fem|Number=Plur|POS=PRON, Number=Plur|POS=PRON|Person=3, Number=Sing|POS=VERB|Tense=Past|VerbForm=Part, Number=Sing|POS=PRON|Person=1, Mood=Ind|Number=Sing|POS=VERB|Person=1|Tense=Pres|VerbForm=Fin, Mood=Sub|Number=Sing|POS=VERB|Person=3|Tense=Past|VerbForm=Fin, Gender=Fem|Number=Sing|POS=PRON, Gender=Fem|Number=Sing|POS=PRON|Person=3|PronType=Prs, Mood=Sub|Number=Sing|POS=VERB|Person=3|Tense=Pres|VerbForm=Fin, POS=INTJ, Number=Plur|POS=PRON|Person=2, NumType=Card|POS=PRON, Definite=Ind|Gender=Fem|Number=Plur|POS=DET|PronType=Art, Gender=Fem|Number=Plur|POS=VERB|Tense=Past|VerbForm=Part, NumType=Card|POS=NOUN, POS=PRON|PronType=Int, Gender=Fem|Number=Plur|POS=PRON|Person=3, Gender=Fem|Number=Sing|POS=DET, Mood=Cnd|Number=Sing|POS=AUX|Person=3|Tense=Pres|VerbForm=Fin, Gender=Fem|Number=Plur|POS=DET, Mood=Sub|Number=Plur|POS=VERB|Person=3|Tense=Pres|VerbForm=Fin, Definite=Ind|Gender=Masc|Number=Plur|POS=DET|PronType=Art, Mood=Cnd|Number=Sing|POS=VERB|Person=3|Tense=Pres|VerbForm=Fin, Gender=Masc|Number=Sing|POS=PRON|PronType=Dem, Gender=Masc|Number=Plur|POS=PROPN, Mood=Cnd|Number=Plur|POS=VERB|Person=3|Tense=Pres|VerbForm=Fin, Gender=Fem|Number=Sing|POS=PRON|PronType=Dem, Number=Sing|POS=DET, Gender=Masc|NumType=Card|Number=Plur|POS=NOUN, Gender=Fem|Number=Plur|POS=PRON|PronType=Dem, Mood=Ind|POS=VERB|Person=3|Tense=Pres|VerbForm=Fin, Gender=Fem|POS=PRON, Gender=Masc|POS=VERB|Tense=Past|VerbForm=Part|Voice=Pass, Gender=Fem|Number=Sing|POS=PRON|PronType=Rel, Mood=Ind|Number=Sing|POS=AUX|Person=1|Tense=Imp|VerbForm=Fin, Mood=Cnd|Number=Plur|POS=VERB|Person=1|Tense=Pres|VerbForm=Fin, Mood=Ind|Number=Sing|POS=AUX|Person=1|Tense=Pres|VerbForm=Fin, Gender=Masc|Number=Sing|POS=AUX|Tense=Past|VerbForm=Part, POS=X, POS=SYM, Mood=Imp|Number=Plur|POS=VERB|Person=2|Tense=Pres|VerbForm=Fin, Mood=Ind|Number=Plur|POS=VERB|Person=2|Tense=Pres|VerbForm=Fin, Gender=Masc|Number=Sing|POS=DET|PronType=Int, Gender=Fem|Number=Plur|POS=DET|PronType=Int, POS=DET, Gender=Masc|Number=Plur|POS=PRON, Mood=Sub|Number=Plur|POS=AUX|Person=3|Tense=Pres|VerbForm=Fin, Mood=Ind|POS=VERB|Person=3|VerbForm=Fin, Number=Sing|POS=VERB|Tense=Past|VerbForm=Part|Voice=Pass, Mood=Cnd|Number=Plur|POS=VERB|Person=2|Tense=Pres|VerbForm=Fin, Mood=Ind|Number=Plur|POS=AUX|Person=2|Tense=Pres|VerbForm=Fin, Gender=Fem|Number=Sing|POS=DET|PronType=Int, Gender=Masc|Number=Plur|POS=DET, Gender=Fem|Number=Plur|POS=PRON|PronType=Rel, Number=Plur|POS=VERB|Tense=Past|VerbForm=Part|Voice=Pass, Gender=Masc|Number=Plur|POS=PRON|PronType=Rel, POS=VERB|Tense=Past|VerbForm=Part|Voice=Pass, Gender=Fem|NumType=Ord|Number=Plur|POS=ADJ, Mood=Ind|Number=Plur|POS=VERB|Person=2|Tense=Fut|VerbForm=Fin, Mood=Imp|POS=VERB|Tense=Pres|VerbForm=Fin, Number=Plur|POS=PRON|Person=2|Reflex=Yes, Mood=Cnd|Number=Sing|POS=VERB|Person=1|Tense=Pres|VerbForm=Fin, Number=Plur|POS=PRON|Person=1|Reflex=Yes, Gender=Masc|NumType=Card|Number=Sing|POS=NOUN, Mood=Ind|Number=Plur|POS=AUX|Person=1|Tense=Pres|VerbForm=Fin, Mood=Ind|Number=Plur|POS=AUX|Person=1|Tense=Fut|VerbForm=Fin, Mood=Ind|Number=Plur|POS=VERB|Person=1|Tense=Fut|VerbForm=Fin, Number=Sing|POS=PRON|Person=1|Reflex=Yes, Mood=Ind|Number=Plur|POS=VERB|Person=1|Tense=Imp|VerbForm=Fin, Mood=Ind|Number=Plur|POS=AUX|Person=1|Tense=Imp|VerbForm=Fin, Mood=Ind|Number=Sing|POS=VERB|Person=1|Tense=Imp|VerbForm=Fin, Mood=Sub|Number=Sing|POS=VERB|Person=1|Tense=Pres|VerbForm=Fin, Gender=Masc|POS=PROPN, Mood=Cnd|Number=Plur|POS=AUX|Person=3|Tense=Pres|VerbForm=Fin, Number=Plur|POS=PRON|Person=1|PronType=Prs, Mood=Sub|Number=Sing|POS=AUX|Person=1|Tense=Pres|VerbForm=Fin, Number=Plur|POS=PRON|Person=2|PronType=Prs, Mood=Ind|Number=Sing|POS=VERB|Person=1|Tense=Fut|VerbForm=Fin, Gender=Fem|Number=Plur|POS=PRON|Person=3|PronType=Prs, Number=Sing|POS=PRON|Person=1|PronType=Prs, Mood=Cnd|Number=Sing|POS=AUX|Person=1|Tense=Pres|VerbForm=Fin, Mood=Sub|Number=Plur|POS=AUX|Person=1|Tense=Pres|VerbForm=Fin, Mood=Imp|Number=Plur|POS=VERB|Person=1|Tense=Pres|VerbForm=Fin, Mood=Sub|Number=Plur|POS=AUX|Person=2|Tense=Pres|VerbForm=Fin, Mood=Ind|Number=Plur|POS=VERB|Person=2|Tense=Imp|VerbForm=Fin, Mood=Ind|Number=Sing|POS=AUX|Person=2|Tense=Imp|VerbForm=Fin, Number=Plur|POS=VERB|Tense=Past|VerbForm=Part, Gender=Fem|Number=Plur|POS=PROPN, Gender=Masc|NumType=Card|POS=NUM |
parser |
ROOT, acl, acl:relcl, advcl, advmod, amod, appos, aux:pass, aux:tense, case, cc, ccomp, conj, cop, dep, det, expl:comp, expl:pass, expl:subj, fixed, flat:foreign, flat:name, iobj, mark, nmod, nsubj, nsubj:pass, nummod, obj, obl:agent, obl:arg, obl:mod, parataxis, punct, vocative, xcomp |
ner |
LOC, MISC, ORG, PER |
精度
| タイプ | スコア |
|---|---|
TOKEN_ACC |
99.80 |
TOKEN_P |
98.44 |
TOKEN_R |
98.96 |
TOKEN_F |
98.70 |
POS_ACC |
97.34 |
MORPH_ACC |
96.74 |
MORPH_MICRO_P |
98.91 |
MORPH_MICRO_R |
98.17 |
MORPH_MICRO_F |
98.54 |
SENTS_P |
85.92 |
SENTS_R |
89.26 |
SENTS_F |
87.35 |
DEP_UAS |
90.29 |
DEP_LAS |
86.54 |
TAG_ACC |
94.47 |
LEMMA_ACC |
91.36 |
ENTS_P |
83.99 |
ENTS_R |
83.87 |
ENTS_F |
83.93 |
📄 ライセンス
このモデルはLGPL-LRライセンスの下で提供されています。
Indonesian Roberta Base Posp Tagger
MIT
これはインドネシア語RoBERTaモデルをファインチューニングした品詞タグ付けモデルで、indonluデータセットで訓練され、インドネシア語テキストの品詞タグ付けタスクに使用されます。
シーケンスラベリング
Transformers その他
Transformers その他I
w11wo
2.2M
7
Bert Base NER
MIT
BERTを微調整した命名エンティティ識別モデルで、4種類のエンティティ（場所(LOC)、組織(ORG)、人名(PER)、その他(MISC)）を識別できます。
シーケンスラベリング 英語
B
dslim
1.8M
592
Deid Roberta I2b2
MIT
このモデルはRoBERTaをファインチューニングしたシーケンスラベリングモデルで、医療記録内の保護対象健康情報(PHI/PII)を識別・除去します。
シーケンスラベリング Transformers 複数言語対応
Transformers 複数言語対応D
obi
1.1M
33
Ner English Fast
Flairに組み込まれた英語の高速4クラス固有表現認識モデルで、Flair埋め込みとLSTM-CRFアーキテクチャを使用し、CoNLL-03データセットで92.92のF1スコアを達成しています。
シーケンスラベリング
PyTorch 英語
PyTorch 英語N
flair
978.01k
24
French Camembert Postag Model
Camembert-baseをベースとしたフランス語の品詞タグ付けモデルで、free-french-treebankデータセットを使用して学習されました。
シーケンスラベリング Transformers フランス語
Transformers フランス語F
gilf
950.03k
9
Xlm Roberta Large Ner Spanish
XLM - Roberta - largeアーキテクチャに基づいて微調整されたスペイン語の命名エンティティ認識モデルで、CoNLL - 2002データセットで優れた性能を発揮します。
シーケンスラベリング Transformers スペイン語
Transformers スペイン語X
MMG
767.35k
29
Nusabert Ner V1.3
MIT
NusaBert-v1.3を基にインドネシア語NERタスクでファインチューニングした固有表現認識モデル
シーケンスラベリング Transformers その他
Transformers その他N
cahya
759.09k
3
Ner English Large
Flairフレームワークに組み込まれた英語の4種類の大型NERモデルで、文書レベルのXLM - R埋め込みとFLERT技術に基づいており、CoNLL - 03データセットでF1スコアが94.36に達します。
シーケンスラベリング PyTorch 英語
PyTorch 英語N
flair
749.04k
44
Punctuate All
MIT
xlm - roberta - baseを微調整した多言語句読点予測モデルで、12種類の欧州言語の句読点自動補完に対応しています。
シーケンスラベリング Transformers
TransformersP
kredor
728.70k
20
Xlm Roberta Ner Japanese
MIT
xlm-roberta-baseをファインチューニングした日本語固有表現認識モデル
シーケンスラベリング Transformers 複数言語対応
Transformers 複数言語対応X
tsmatz
630.71k
25
おすすめAIモデル
Llama 3 Typhoon V1.5x 8b Instruct
タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化
大規模言語モデル Transformers 複数言語対応
Transformers 複数言語対応L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2％です。
対話システム Transformers 英語
Transformers 英語C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。
質問応答システム 中国語
R
uer
2,694
98