Ner Roberta Base Ontonotesv5 Englishv4

🚀 (NER) roberta-base : conll2012_ontonotesv5-english-v4

本roberta-base命名實體識別（NER）模型在conll2012_ontonotesv5的english-v4版本數據集上進行了微調。
更多信息請查看NER-System倉庫。

🚀 快速開始

本roberta-base命名實體識別（NER）模型專為解決英文文本中的實體識別問題而設計。它在conll2012_ontonotesv5的english-v4版本數據集上進行了微調，能夠準確識別多種類型的實體，為信息提取和文本分析提供了強大的支持。

✨ 主要特性

• 基於特定數據集微調：在conll2012_ontonotesv5的english-v4版本數據集上進行微調，更適配英文實體識別任務。
• 多指標評估表現良好：在精確率、召回率和F1分數等評估指標上都有不錯的表現。

📦 安裝指南

文檔未提及安裝步驟，暫不展示。

💻 使用示例

基礎用法

from transformers import pipeline

ner_pipeline = pipeline(
    'token-classification', 
    model=r'djagatiya/ner-roberta-base-ontonotesv5-englishv4',
    aggregation_strategy='simple'
)

高級用法

# 測試用例1
ner_pipeline("India is a beautiful country")

# 測試用例1輸出
[{'entity_group': 'GPE',
  'score': 0.99186057,
  'word': ' India',
  'start': 0,
  'end': 5}]

# 測試用例2
ner_pipeline("On September 1st George won 1 dollar while watching Game of Thrones.")

# 測試用例2輸出
[{'entity_group': 'DATE',
  'score': 0.99720246,
  'word': ' September 1st',
  'start': 3,
  'end': 16},
 {'entity_group': 'PERSON',
  'score': 0.99071586,
  'word': ' George',
  'start': 17,
  'end': 23},
 {'entity_group': 'MONEY',
  'score': 0.9872978,
  'word': ' 1 dollar',
  'start': 28,
  'end': 36},
 {'entity_group': 'WORK_OF_ART',
  'score': 0.9946732,
  'word': ' Game of Thrones',
  'start': 52,
  'end': 67}]

📚 詳細文檔

數據集

• conll2012_ontonotesv5
  • 語言：英語
  • 版本：v4

評估

• 精確率：88.88
• 召回率：90.69
• F1分數：89.78

查看eval.log文件獲取評估指標和分類報告。

                precision    recall  f1-score   support

    CARDINAL       0.84      0.85      0.85       935
        DATE       0.85      0.90      0.87      1602
       EVENT       0.67      0.76      0.71        63
         FAC       0.74      0.72      0.73       135
         GPE       0.97      0.96      0.96      2240
    LANGUAGE       0.83      0.68      0.75        22
         LAW       0.66      0.62      0.64        40
         LOC       0.74      0.80      0.77       179
       MONEY       0.85      0.89      0.87       314
        NORP       0.93      0.96      0.95       841
     ORDINAL       0.81      0.89      0.85       195
         ORG       0.90      0.91      0.91      1795
     PERCENT       0.90      0.92      0.91       349
      PERSON       0.95      0.95      0.95      1988
     PRODUCT       0.74      0.83      0.78        76
    QUANTITY       0.76      0.80      0.78       105
        TIME       0.62      0.67      0.65       212
 WORK_OF_ART       0.58      0.69      0.63       166

   micro avg       0.89      0.91      0.90     11257
   macro avg       0.80      0.82      0.81     11257
weighted avg       0.89      0.91      0.90     11257

🔧 技術細節

文檔未提供技術實現細節，暫不展示。

📄 許可證

文檔未提及許可證信息，暫不展示。