Bert Base German Finetuned Ler

🚀 德國BERT + LER（法律實體識別） ⚖️

德國BERT（BERT-base-german-cased）在法律實體識別數據集上進行了微調，用於LER（命名實體識別）下游任務。

🚀 快速開始

你可以使用以下代碼快速調用模型進行法律實體識別：

from transformers import pipeline

nlp_ler = pipeline(
    "ner",
    model="mrm8488/bert-base-german-finetuned-ler",
    tokenizer="mrm8488/bert-base-german-finetuned-ler"
)

text = "Your German legal text here"

nlp_ler(text)

✨ 主要特性

• 基於德國BERT模型進行微調，適用於德國法律文本的實體識別任務。
• 在法律實體識別數據集上進行訓練，能夠識別多種法律相關的實體。

📚 詳細文檔

🔍 下游任務（NER）詳情 - 數據集

法律實體識別：法律文檔中的細粒度命名實體識別。

該數據集選取了2017年和2018年的法院判決，這些判決由聯邦司法與消費者保護部在線發佈。文檔來自七個聯邦法院：聯邦勞動法院（BAG）、聯邦財政法院（BFH）、聯邦最高法院（BGH）、聯邦專利法院（BPatG）、聯邦社會法院（BSG）、聯邦憲法法院（BVerfG）和聯邦行政法院（BVerwG）。

• 訓練腳本：Huggingface提供的NER微調腳本 Colab示例：如何使用HF腳本微調NER模型

• 涵蓋的標籤（及其分佈）：

    107 B-AN
    918 B-EUN
   2238 B-GRT
  13282 B-GS
   1113 B-INN
    704 B-LD
    151 B-LDS
   2490 B-LIT
    282 B-MRK
    890 B-ORG
   1374 B-PER
   1480 B-RR
  10046 B-RS
    401 B-ST
     68 B-STR
   1011 B-UN
    282 B-VO
    391 B-VS
   2648 B-VT
     46 I-AN
   6925 I-EUN
   1957 I-GRT
  70257 I-GS
   2931 I-INN
    153 I-LD
     26 I-LDS
  28881 I-LIT
    383 I-MRK
   1185 I-ORG
    330 I-PER
    106 I-RR
 138938 I-RS
     34 I-ST
     55 I-STR
   1259 I-UN
   1572 I-VO
   2488 I-VS
  11121 I-VT
1348525 O

• 註釋指南（德語）

📊 評估集指標

💻 使用示例

基礎用法

from transformers import pipeline

nlp_ler = pipeline(
    "ner",
    model="mrm8488/bert-base-german-finetuned-ler",
    tokenizer="mrm8488/bert-base-german-finetuned-ler"
)

text = "Your German legal text here"

nlp_ler(text)

👨‍💻 關於模型

由Manuel Romero/@mrm8488創建。 在西班牙用心打造 ♥