%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
Tr Core News Md
トルコ語に最適化された中規模spaCyパイプラインで、トークン化、品詞タグ付け、形態素解析、依存構文解析、固有表現認識機能を含む
ダウンロード数 85
リリース時間 : 11/3/2022
モデル概要
このモデルはTrSpaCyプロジェクトの一部で、トルコ語専用に設計され、品詞タグ付け、形態素解析、依存構文解析、固有表現認識などの包括的な自然言語処理機能を提供します。
モデル特徴
包括的なトルコ語サポート
トルコ語特有の形態素と構文特徴を処理するために特別に設計・最適化されています
マルチタスク処理能力
単一パイプラインでトークン化、品詞タグ付け、形態素解析、依存構文解析、固有表現認識を同時に処理
高精度タグ付け
品詞タグ付け(UPOS)で90.52%の精度、固有表現認識F値で88.94%を達成
事前学習済み単語ベクトル
50000個のユニークな単語ベクトル（300次元）を含み、Medium-sized Turkish Floret word vectorsに基づく
モデル能力
トルコ語トークン化
品詞タグ付け
形態素解析
語彙素化
依存構文解析
固有表現認識
文境界検出
使用事例
テキスト処理
トルコ語テキストタグ付け
トルコ語テキストの品詞、形態素特徴、構文構造を自動的にタグ付け
トルコ語言語リソース構築やテキスト前処理に利用可能
情報抽出
トルコ語テキストから固有表現（人名、地名、組織名など）を抽出
NER F値88.94%を達成
言語学研究
トルコ語形態素解析
トルコ語の複雑な形態素構造を分析
形態素特徴精度88.93%
🚀 tr_core_news_md
TrSpaCy用の中規模のトルコ語パイプラインです。コンポーネントには、tok2vec、tagger、morphologizer、lemmatizer、parser、nerが含まれます。
✨ 主な機能
このモデルは、トルコ語の自然言語処理タスクを行うための中規模のパイプラインです。以下のタスクに対応しています。
- NER（固有表現抽出）
- TAG（品詞タグ付け）
- POS（汎用品詞タグ付け）
- MORPH（形態素解析）
- LEMMA（語幹化）
- UNLABELED_DEPENDENCIES（非ラベル付き依存構造解析）
- LABELED_DEPENDENCIES（ラベル付き依存構造解析）
- SENTS（文分割）
📚 ドキュメント
モデル情報
| 属性 | 詳細 |
|---|---|
| モデル名 | tr_core_news_md |
| バージョン | 3.4.2 |
| spaCy | >=3.4.2,<3.5.0 |
| デフォルトパイプライン | tok2vec, tagger, morphologizer, trainable_lemmatizer, parser, ner |
| コンポーネント | tok2vec, tagger, morphologizer, trainable_lemmatizer, parser, ner |
| ベクトル | -1 キー, 50000 個の一意のベクトル (300 次元) |
| ソース | UD Turkish BOUN (Türk, Utku; Atmaca, Furkan; Özateş, Şaziye Betül; Berk, Gözde; Bedir, Seyyit Talha; Köksal, Abdullatif; Öztürk Başaran, Balkız; Güngör, Tunga; Özgür, Arzucan) Turkish Wiki NER dataset (Duygu Altinok, Co-one Istanbul) PANX/WikiANN (Xiaoman Pan, Boliang Zhang, Jonathan May, Joel Nothman, Kevin Knight, Heng Ji) Medium-sized Turkish Floret word vectors (MC4 corpus) (Duygu Altinok) |
| ライセンス | cc-by-sa-4.0 |
| 作者 | Duygu Altinok |
評価指標
| タスク | 指標 | 値 |
|---|---|---|
| NER | NER Precision | 0.8890235772 |
| NER | NER Recall | 0.8897246148 |
| NER | NER F Score | 0.8893739579 |
| TAG | TAG (XPOS) Accuracy | 0.9141711565 |
| POS | POS (UPOS) Accuracy | 0.9052411777 |
| MORPH | Morph (UFeats) Accuracy | 0.8892973515 |
| LEMMA | Lemma Accuracy | 0.8171693155 |
| UNLABELED_DEPENDENCIES | Unlabeled Attachment Score (UAS) | 0.7275183906 |
| LABELED_DEPENDENCIES | Labeled Attachment Score (LAS) | 0.6355130835 |
| SENTS | Sentences F-Score | 0.8349007315 |
ラベルスキーム
ラベルスキームを表示 (4 つのコンポーネントに対する 1572 個のラベル)
| コンポーネント | ラベル |
|---|---|
tagger |
ADP, ADV, ANum, ANum_Adj, ANum_Ness, ANum_Noun, ANum_With, ANum_Zero, Abr, Abr_With, Adj, Adj_Ness, Adj_With, Adj_Without, Adj_Zero, Adv, Adverb, Adverb_Adverb, Adverb_Noun, Adverb_Zero, Conj, Conj_Conj, DET, Demons, Demons_Zero, Det, Det_Zero, Dup, Interj, NAdj, NAdj_Aux, NAdj_Ness, NAdj_Noun, NAdj_Rel, NAdj_Verb, NAdj_With, NAdj_Without, NAdj_Zero, NNum, NNum_Rel, NNum_Zero, NOUN, Neg, Ness, Noun, Noun_Ness, Noun_Noun, Noun_Rel, Noun_Since, Noun_Verb, Noun_With, Noun_With_Ness, Noun_With_Verb, Noun_With_Zero, Noun_Without, Noun_Zero, PCAbl, PCAbl_Rel, PCAcc, PCDat, PCDat_Zero, PCGen, PCIns, PCIns_Zero, PCNom, PCNom_Adj, PCNom_Noun, PCNom_Zero, PRON, PUNCT, Pers, Pers_Ness, Pers_Pers, Pers_Rel, Pers_Zero, Postp, Prop, Prop_Conj, Prop_Rel, Prop_Since, Prop_With, Prop_Zero, Punc, Punc_Noun_Ness, Punc_Noun_Rel, Quant, Quant_Zero, Ques, Ques_Zero, Reflex, Reflex_Zero, Rel, SYM, Since, Since_Since, Verb, Verb_Conj, Verb_Ness, Verb_Noun, Verb_Verb, Verb_With, Verb_Zero, With, Without, Without_Zero, Zero |
morphologizer |
NumType=Card|POS=NUM, Aspect=Perf|Case=Loc|Mood=Ind|Number=Plur,Sing|Number[psor]=Sing|POS=NOUN|Person=1,3|Person[psor]=3|Tense=Pres, POS=PUNCT, POS=ADV, POS=NOUN, Case=Nom|Number=Sing|POS=ADJ|Person=3, POS=DET, Case=Loc|Number=Sing|POS=VERB|Person=1, Case=Nom|Number=Sing|POS=PRON|Person=3|PronType=Prs, Case=Dat|Number=Sing|POS=VERB|Person=3, POS=ADJ, Aspect=Perf|Case=Nom|Number=Sing|Number[psor]=Sing|POS=VERB|Person=3|Person[psor]=3|Polarity=Pos|Tense=Past|VerbForm=Part, Case=Gen|Number=Sing|POS=NOUN|Person=3, POS=PRON, Case=Nom|Number=Sing|POS=NOUN|Person=3, Aspect=Perf|Case=Acc|Number=Sing|Number[psor]=Sing|POS=VERB|Person=3|Person[psor]=3|Polarity=Pos|Tense=Past|VerbForm=Part, POS=VERB|Polarity=Pos|Tense=Pres|VerbForm=Part, Case=Acc|Number=Plur|POS=NOUN|Person=3, Aspect=Perf|Evident=Fh|Number=Sing|POS=VERB|Person=3|Tense=Past, Case=Nom|Number=Sing|POS=PROPN|Person=3, Case=Dat|Number=Sing|POS=PROPN|Person=3, POS=VERB|Polarity=Pos, Case=Acc|Number=Sing|POS=VERB|Person=3|Polarity=Pos, Aspect=Perf|Evident=Fh|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Past, Aspect=Prog|Evident=Fh|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Past, Case=Abl|Number=Sing|POS=ADJ|Person=3, Case=Nom|Number=Plur|POS=NOUN|Person=3, Case=Loc|Number=Plur|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, POS=INTJ, Case=Abl|Number=Plur|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Case=Ins|Number=Sing|POS=PROPN|Person=3, Case=Loc|Number=Sing|POS=PROPN|Person=3, Case=Acc|Number=Sing|POS=NOUN|Person=3, Aspect=Imp|POS=VERB|Polarity=Pos|Tense=Fut|VerbForm=Part, Case=Nom|Number=Sing|POS=PRON|Person=3, POS=CCONJ, Case=Nom|Number=Plur|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Case=Nom|Mood=Imp|Number=Sing|POS=VERB|Person=3|Polarity=Pos|VerbForm=Conv|Voice=Cau, Case=Dat|Number=Sing|Number[psor]=Plur|POS=ADJ|Person=3|Person[psor]=1, Aspect=Prog|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Pres, Case=Gen|Number=Sing|POS=PROPN|Person=3, Case=Abl|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Case=Nom|Number=Sing|POS=ADP|Person=3, Case=Dat|Number=Plur|POS=NOUN|Person=3, Aspect=Perf|Evident=Fh|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Past|Voice=Pass, Case=Nom|POS=VERB|Polarity=Pos, Case=Nom|Number=Sing|POS=VERB|Person=3, Case=Loc|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Case=Nom|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Voice=Cau, Case=Dat|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Case=Acc|Number=Sing|POS=PROPN|Person=3, Aspect=Imp|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Fut, POS=ADP, Aspect=Perf|Evident=Fh|Number=Sing|POS=VERB|Person=1|Polarity=Pos|Tense=Past|Voice=Pass, Evident=Nfh|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Past, Case=Nom|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=1, Aspect=Perf|Number[psor]=Sing|POS=VERB|Person[psor]=3|Polarity=Pos|Tense=Past|VerbForm=Part, Aspect=Perf|Case=Nom|Number=Sing|Number[psor]=Sing|POS=VERB|Person=3|Person[psor]=3|Polarity=Neg|Tense=Past|VerbForm=Part, Case=Acc|Number=Plur|POS=PRON|Person=3, Aspect=Perf|Number[psor]=Sing|POS=VERB|Person[psor]=3|Polarity=Pos|Tense=Past|VerbForm=Part|Voice=Cau, Case=Acc|Number=Plur|POS=VERB|Person=3, Aspect=Perf|Case=Abl|Number=Sing|Number[psor]=Sing|POS=VERB|Person=3|Person[psor]=3|Polarity=Neg|Tense=Past|VerbForm=Part, Mood=Opt|Number=Sing|POS=VERB|Person=1|Polarity=Pos, Case=Dat|Number=Sing|POS=NOUN|Person=3, Aspect=Prog|Number=Sing|POS=VERB|Person=1|Polarity=Pos|Tense=Pres, Case=Gen|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Case=Dat|Number=Plur|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Aspect=Prog|Evident=Fh|Number=Plur|POS=VERB|Person=1|Polarity=Pos|Tense=Past, Case=Acc|Number=Sing|POS=PRON|Person=1, Aspect=Perf|Evident=Fh|Number=Plur|POS=VERB|Person=3|Polarity=Neg|Tense=Past, Case=Ins|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Case=Gen|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=1, Case=Dat|Number=Sing|Number[psor]=Sing|POS=ADJ|Person=3|Person[psor]=3, Case=Gen|Number=Sing|POS=PRON|Person=3, Case=Acc|Number=Plur|Number[psor]=Plur|POS=NOUN|Person=3|Person[psor]=1, Aspect=Hab|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Pres, Aspect=Hab|Number=Plur|POS=VERB|Person=1|Polarity=Pos|Tense=Pres, Case=Loc|Number=Sing|POS=NOUN|Person=3, Aspect=Perf|Case=Acc|Number=Sing|Number[psor]=Sing|POS=VERB|Person=3|Person[psor]=3|Polarity=Neg|Tense=Past|VerbForm=Part, Aspect=Hab|Number=Sing|POS=VERB|Person=1|Polarity=Pos|Tense=Pres, Aspect=Perf|Evident=Fh|Number=Sing|POS=VERB|Person=1|Polarity=Pos|Tense=Past, Case=Gen|Number=Sing|Number[psor]=Plur|POS=NOUN|Person=3|Person[psor]=1, Aspect=Hab|Mood=Pot|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Pres, Case=Acc|Number=Plur|POS=PRON|Person=1, Case=Nom|Number=Sing|POS=NOUN|Person=3|Polarity=Pos, Case=Nom|Number=Sing|Number[psor]=Sing|POS=PRON|Person=3|Person[psor]=3, Aspect=Hab|Mood=Imp|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Pres|VerbForm=Conv, Aspect=Hab|Mood=Pot|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Pres|Voice=Cau, Case=Dat|Number=Plur|Number[psor]=Plur|POS=NOUN|Person=3|Person[psor]=1, Case=Abl|Number=Sing|POS=NOUN|Person=3, Mood=Imp|POS=VERB|Polarity=Pos|VerbForm=Conv, Aspect=Perf|Evident=Fh|Number=Plur|POS=VERB|Person=1|Polarity=Pos|Tense=Past, Case=Nom|Number=Plur|POS=PRON|Person=3, Case=Nom|Number=Sing|Number[psor]=Sing|POS=NUM|Person=3|Person[psor]=3, Case=Nom|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Aspect=Perf|Evident=Fh|Number=Sing|POS=VERB|Person=1|Polarity=Neg|Tense=Past|Voice=Cau, Case=Nom|Number=Plur|POS=ADJ|Person=3, Aspect=Hab|Mood=Cnd|Number=Plur|POS=VERB|Person=2|Polarity=Pos|Tense=Pres, Aspect=Hab|Number=Plur|POS=VERB|Person=3|Polarity=Neg|Tense=Pres, Aspect=Hab|Number=Sing|POS=VERB|Person=3|Polarity=Neg|Tense=Pres, Aspect=Hab|Number=Plur|POS=VERB|Person=3|Polarity=Pos|Tense=Pres, Case=Gen|Number=Plur|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Case=Gen|Number=Plur|POS=NOUN|Person=3, Case=Ins|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3|Polarity=Pos, Aspect=Imp|Case=Acc|Number=Sing|Number[psor]=Sing|POS=VERB|Person=3|Person[psor]=3|Polarity=Pos|Tense=Fut|VerbForm=Part, Case=Acc|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Aspect=Imp|Number=Sing|POS=AUX|Person=3|Tense=Pres, Case=Loc|Number=Sing|POS=NUM|Person=3, Aspect=Perf|Evident=Fh|Number=Plur|POS=VERB|Person=3|Polarity=Pos|Tense=Past, Case=Loc|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=2, Case=Gen|Number=Plur|POS=PRON|Person=1, Aspect=Perf|Number[psor]=Plur|POS=VERB|Person[psor]=1|Polarity=Pos|Tense=Past|VerbForm=Part, Aspect=Prog|Number=Sing|POS=VERB|Person=3|Polarity=Neg|Tense=Pres, Case=Nom|Number=Sing|POS=PRON|Person=1, Case=Nom|Number=Sing|POS=NOUN|Person=1, Mood=Cnd|Number=Sing|POS=AUX|Person=3|Polarity=Pos, Case=Acc|Number=Sing|POS=PRON|Person=3, Aspect=Prog|Number=Plur|POS=VERB|Person=1|Polarity=Pos|Tense=Pres, Case=Ins|Number=Sing|POS=NOUN|Person=3, POS=VERB|Polarity=Pos|Tense=Pres|VerbForm=Part|Voice=Pass, Aspect=Perf|Case=Nom|Number=Sing|Number[psor]=Sing|POS=VERB|Person=3|Person[psor]=1|Polarity=Pos|Tense=Past|VerbForm=Part, Case=Nom|POS=VERB|Polarity=Pos|Voice=Cau, Aspect=Prog|Evident=Fh|Number=Sing|POS=VERB|Person=3|Polarity=Neg|Tense=Past, Case=Nom|Number=Sing|POS=ADJ|Person=3|Polarity=Pos, Case=Acc|Number=Sing|POS=VERB|Person=3, Aspect=Perf|Case=Nom|Mood=Gen|Number=Sing|POS=NOUN|Person=3|Tense=Pres, Case=Abl|Number=Plur|POS=NOUN|Person=3, Aspect=Perf|Evident=Fh|Number=Sing|POS=VERB|Person=3|Polarity=Neg|Tense=Past, Aspect=Prog|Evident=Fh|Number=Plur|POS=VERB|Person=3|Polarity=Neg|Tense=Past, Mood=Imp|POS=VERB|Polarity=Pos|VerbForm=Conv|Voice=Cau, Aspect=Perf|Evident=Fh|Number=Sing|POS=VERB|Person=1|Polarity=Pos|Tense=Past|Voice=Cau, Case=Nom|Number=Plur|Number[psor]=Plur|POS=NOUN|Person=3|Person[psor]=3, Case=Loc|Number=Sing|Number[psor]=Sing|POS=ADJ|Person=3|Person[psor]=3, Case=Nom|Number=Sing|Number[psor]=Sing|POS=ADJ|Person=3|Person[psor]=3, POS=VERB|Polarity=Neg|Tense=Pres|VerbForm=Part, Case=Dat|Number=Plur|POS=PRON|Person=2, Case=Abl|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Voice=Cau, Aspect=Imp|Number=Sing|POS=VERB|Person=1|Polarity=Neg|Tense=Fut, Case=Nom|Number=Plur|Number[psor]=Sing|POS=ADJ|Person=3|Person[psor]=3, Case=Gen|Number=Plur|POS=ADJ|Person=3, Case=Loc|Number=Plur|POS=VERB|Person=3|Polarity=Pos, Aspect=Perf|Case=Nom|Number=Sing|Number[psor]=Sing|POS=VERB|Person=3|Person[psor]=3|Polarity=Pos|Tense=Past|VerbForm=Part|Voice=Pass, Aspect=Hab|Mood=Imp|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Pres|VerbForm=Conv|Voice=Pass, Case=Nom|Number=Sing|Number[psor]=Sing|POS=VERB|Person=3|Person[psor]=3|Polarity=Pos, Case=Dat|Number=Sing|POS=ADJ|Person=3, Case=Nom|Number=Sing|Number[psor]=Sing|POS=VERB|Person=3|Person[psor]=3|Polarity=Pos|Voice=Pass, Aspect=Imp|Case=Nom|Mood=Pot|Number=Sing|Number[psor]=Sing|POS=VERB|Person=3|Person[psor]=3|Polarity=Pos|Tense=Fut|VerbForm=Part|Voice=Pass, Aspect=Prog|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Pres|Voice=Cau, Aspect=Hab|Mood=Cnd|Number=Sing|POS=VERB|Person=1|Polarity=Pos|Tense=Pres, Case=Dat|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=1, Case=Equ|Number=Sing|POS=PRON|Person=1, Case=Abl|Number=Sing|Number[psor]=Sing|POS=ADJ|Person=3|Person[psor]=3, Case=Nom|Number=Sing|POS=VERB|Person=3|Polarity=Pos, Evident=Nfh|Number=Sing|POS=VERB|Person=3|Polarity=Neg|Tense=Past|Voice=Pass, Case=Nom|Number=Sing|Number[psor]=Plur|POS=NOUN|Person=3|Person[psor]=1, Aspect=Perf|Case=Acc|Number=Sing|Number[psor]=Plur|POS=VERB|Person=3|Person[psor]=1|Polarity=Neg|Tense=Past|VerbForm=Part, Case=D |
📄 ライセンス
このモデルは cc-by-sa-4.0 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