GNER LLaMA 7B

🚀 生成的名前付きエンティティ認識のための負例の再考

本プロジェクトでは、生成的名前付きエンティティ認識（GNER）フレームワークを導入しています。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するゼロショット能力を向上させます。LLaMAやFlan - T5などの生成モデルでの実験結果から、学習プロセスに負例を組み込むことで大幅な性能向上が得られることが示されています。

🚀 クイックスタート

GNERは、生成的名前付きエンティティ認識のための革新的な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するゼロショット能力を強化し、LLaMAやFlan - T5などの代表的な生成モデルに適用することで、最先端のアプローチを大きく上回る性能を達成します。

• 💻 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Jupyterノートブック: GNER Notebook

✨ 主な機能

• 生成的名前付きエンティティ認識のためのフレームワークを提供します。
• 未見のエンティティドメインに対するゼロショット能力を強化します。
• 学習プロセスに負例を組み込むことで、性能を大幅に向上させます。

📦 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 - LLaMAを使用した簡単な推論の例です。

>>> import torch
>>> from transformers import AutoTokenizer, AutoModelForCausalLM
>>> tokenizer = AutoTokenizer.from_pretrained("dyyyyyyyy/GNER-LLaMA-7B")
>>> model = AutoModelForCausalLM.from_pretrained("dyyyyyyyy/GNER-LLaMA-7B", 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}"
>>> instruction = f"[INST] {instruction} [/INST]"
>>> 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)
>>> response = response[response.find("[/INST]") + len("[/INST]"):].strip()
>>> 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

事前学習済みモデル

LLaMA（7B）とFlan - T5（base、large、xl、xxl）に基づく5つのGNERモデルをリリースしています。

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}
}

📄 ライセンス

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