Ner English Large

🚀 Flair英文命名实体識別（大規模モデル）

このプロジェクトは、英語用の大型の4カテゴリ命名エンティティ認識（NER）モデルであり、Flair ライブラリの一部です。このモデルは、英語テキスト中の命名エンティティを効果的に識別し、情報抽出などの自然言語処理タスクをサポートします。

🚀 クイックスタート

環境要件

Flair ライブラリをインストールする必要があります。以下のコマンドを使用してインストールできます。

pip install flair

コード例

from flair.data import Sentence
from flair.models import SequenceTagger

# タガーをロード
tagger = SequenceTagger.load("flair/ner-english-large")

# サンプル文を作成
sentence = Sentence("George Washington went to Washington")

# 命名エンティティ認識タグを予測
tagger.predict(sentence)

# 文を印刷
print(sentence)

# 予測された命名エンティティ認識スパンを印刷
print('The following NER tags are found:')
# エンティティを反復処理して印刷
for entity in sentence.get_spans('ner'):
    print(entity)

出力例

Span [1,2]: "George Washington"   [− Labels: PER (1.0)]
Span [5]: "Washington"   [− Labels: LOC (1.0)]

文 "George Washington went to Washington" では、エンティティ "George Washington"（人物 としてラベル付け）と "Washington"（場所 としてラベル付け）が正常に識別されました。

✨ 主な機能

• 高い精度：修正後のCoNLL - 03データセットで、F1スコアが 94.36 に達します。
• マルチラベル予測：人物、場所、組織、その他のタイプの命名エンティティをカバーする4種類のラベルを予測できます。
• 最先端技術：文書レベルのXLM - R埋め込みと FLERT 技術に基づいています。

予測ラベルの詳細

📚 ドキュメント

モデルトレーニングスクリプト

このモデルをトレーニングするためのFlairスクリプトは以下の通りです。

import torch

# 1. コーパスを取得
from flair.datasets import CONLL_03

corpus = CONLL_03()

# 2. 予測するタグタイプを決定
tag_type = 'ner'

# 3. コーパスからタグ辞書を作成
tag_dictionary = corpus.make_tag_dictionary(tag_type=tag_type)

# 4. 微調整可能なTransformer埋め込みを初期化（文書コンテキスト付き）
from flair.embeddings import TransformerWordEmbeddings

embeddings = TransformerWordEmbeddings(
    model='xlm-roberta-large',
    layers="-1",
    subtoken_pooling="first",
    fine_tune=True,
    use_context=True,
)

# 5. 基本的なシーケンスタガーを初期化（CRFなし、RNNなし、再投影なし）
from flair.models import SequenceTagger

tagger = SequenceTagger(
    hidden_size=256,
    embeddings=embeddings,
    tag_dictionary=tag_dictionary,
    tag_type='ner',
    use_crf=False,
    use_rnn=False,
    reproject_embeddings=False,
)

# 6. AdamWオプティマイザを使用してトレーナーを初期化
from flair.trainers import ModelTrainer

trainer = ModelTrainer(tagger, corpus, optimizer=torch.optim.AdamW)

# 7. XLMパラメータを使用してトレーニングを実行（20エポック、小さい学習率）
from torch.optim.lr_scheduler import OneCycleLR

trainer.train('resources/taggers/ner-english-large',
              learning_rate=5.0e-6,
              mini_batch_size=4,
              mini_batch_chunk_size=1,
              max_epochs=20,
              scheduler=OneCycleLR,
              embeddings_storage_mode='none',
              weight_decay=0.,
              )

📖 引用

このモデルを使用する場合は、以下の論文を引用してください。

@misc{schweter2020flert,
    title={FLERT: Document-Level Features for Named Entity Recognition},
    author={Stefan Schweter and Alan Akbik},
    year={2020},
    eprint={2011.06993},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

❓ 問題の報告

使用中に問題が発生した場合は、Flairの問題追跡ツール で報告してください。