GNER LLaMA 7B

🚀 重新思考生成式命名實體識別中的負實例

我們推出了 GNER，即生成式命名實體識別框架，它在未見實體領域展現出了卓越的零樣本能力。在兩個具有代表性的生成式模型（LLaMA 和 Flan - T5）上的實驗表明，將負實例融入訓練過程能夠顯著提升模型性能。由此得到的模型 GNER - LLaMA 和 GNER - T5 大幅超越了當前的最優方法，$F_1$ 分數分別提高了 8 分和 11 分。代碼和模型均已公開。

• 💻 代碼：https://github.com/yyDing1/GNER/
• 📖 論文：重新思考生成式命名實體識別中的負實例
• 💾 HuggingFace 模型庫：GNER 模型
• 🧪 復現材料：復現材料
• 🎨 Jupyter 示例筆記本：GNER 筆記本

🚀 快速開始

本項目提供了基於 LLaMA（7B）和 Flan - T5（base、large、xl 和 xxl）的五個 GNER 模型。

✨ 主要特性

• 提出了 GNER 生成式命名實體識別框架，在未見實體領域具有出色的零樣本能力。
• 通過在訓練過程中融入負實例，顯著提升了模型性能。
• 基於 LLaMA 和 Flan - T5 構建的模型 GNER - LLaMA 和 GNER - T5 大幅超越當前最優方法。

📦 安裝指南

你需要安裝以下依賴：

pip install torch datasets deepspeed accelerate transformers protobuf

💻 使用示例

基礎用法

請參考 Jupyter 示例筆記本 來了解如何使用 GNER 模型。

高級用法

以下是一個使用 GNER - LLaMA 的簡單推理示例：

>>> import torch
>>> from transformers import AutoTokenizer, AutoModelForCausalLM
>>> tokenizer = AutoTokenizer.from_pretrained("dyyyyyyyy/GNER-LLaMA-7B")
>>> model = AutoModelForCausalLM.from_pretrained("dyyyyyyyy/GNER-LLaMA-7B", torch_dtype=torch.bfloat16).cuda()
>>> model = model.eval()
>>> instruction_template = "Please analyze the sentence provided, identifying the type of entity for each word on a token-by-token basis.\nOutput format is: word_1(label_1), word_2(label_2), ...\nWe'll use the BIO-format to label the entities, where:\n1. B- (Begin) indicates the start of a named entity.\n2. I- (Inside) is used for words within a named entity but are not the first word.\n3. O (Outside) denotes words that are not part of a named entity.\n"
>>> sentence = "did george clooney make a musical in the 1980s"
>>> entity_labels = ["genre", "rating", "review", "plot", "song", "average ratings", "director", "character", "trailer", "year", "actor", "title"]
>>> instruction = f"{instruction_template}\nUse the specific entity tags: {', '.join(entity_labels)} and O.\nSentence: {sentence}"
>>> instruction = f"[INST] {instruction} [/INST]"
>>> inputs = tokenizer(instruction, return_tensors="pt").to("cuda")
>>> outputs = model.generate(**inputs, max_new_tokens=640)
>>> response = tokenizer.decode(outputs[0], skip_special_tokens=True)
>>> response = response[response.find("[/INST]") + len("[/INST]"):].strip()
>>> print(response)
"did(O) george(B-actor) clooney(I-actor) make(O) a(O) musical(B-genre) in(O) the(O) 1980s(B-year)"

📄 許可證

本項目採用 Apache - 2.0 許可證。

📚 詳細文檔

預訓練模型

我們發佈了基於不同規模的預訓練模型，具體信息如下：

📚 引用

如果你使用了本項目的代碼或模型，請引用以下論文：

@misc{ding2024rethinking,
      title={Rethinking Negative Instances for Generative Named Entity Recognition}, 
      author={Yuyang Ding and Juntao Li and Pinzheng Wang and Zecheng Tang and Bowen Yan and Min Zhang},
      year={2024},
      eprint={2402.16602},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}