Xlm Roberta Base Finetuned Recipe All

🚀 xlm-roberta-base-finetuned-recipe-all

本模型是 xlm-roberta-base 在食譜成分 命名實體識別（NER）數據集 上的微調版本，該數據集來自論文 A Named Entity Based Approach to Model Recipes（同時使用了 gk 和 ar 數據集）。此模型能預測食材字符串中每個標記的標籤，在食譜成分分析等場景有重要應用價值。

🚀 快速開始

本模型是 xlm-roberta-base 在食譜成分 NER 數據集 上的微調版本，該數據集來自論文 A Named Entity Based Approach to Model Recipes（使用了 gk 和 ar 兩個數據集）。

它在評估集上取得了以下結果：

• 損失值：0.1169
• F1 值：0.9672

在測試集上，其 F1 值為 0.9615，略高於論文中使用的條件隨機場（CRF）模型。

✨ 主要特性

模型描述

預測食材字符串中每個標記的標籤。

📚 詳細文檔

預期用途與侷限性

• 僅在食材字符串上進行訓練。
• 對子標記進行標籤標註，標籤應推廣到整個單詞。
• 對符號（如括號）和數字（如 50g -> 50 g）進行預分詞拆分時效果最佳。
• 如果有多個食材，通常僅檢測第一個食材。
• 僅在兩個美式英語數據源上進行訓練。
• 標籤 TEMP 和 DF 的訓練數據非常少。

訓練和評估數據

ar（AllRecipes.com）和 gk（FOOD.com）兩個數據集均從作者 倉庫 中的製表符分隔值（TSV）文件獲取。

訓練過程

它遵循 Tunstall、von Wera 和 Wolf 所著的 《Natural Language Processing with Transformers》 第 4 章的總體流程。

詳細信息請參閱 訓練筆記本。

訓練超參數

訓練期間使用了以下超參數：

• 學習率：5e - 05
• 訓練批次大小：16
• 評估批次大小：16
• 隨機種子：42
• 優化器：Adam，β 值為 (0.9, 0.999)，ε 值為 1e - 08
• 學習率調度器類型：線性
• 訓練輪數：4

訓練結果

框架版本

• Transformers 4.16.2
• Pytorch 1.9.1
• Datasets 1.18.4
• Tokenizers 0.11.6

📄 許可證

本項目採用 MIT 許可證。