FERNET-CC_sk-ner開源模型 - 免費部署，精準識別斯洛伐克語地點、人物、組織

首頁

FERNET CC Sk Ner

由crabz開發

基於FERNET-CC_sk微調的斯洛伐克語命名實體識別模型，支持識別地點、人物和組織三類實體

序列標註

Transformers

其他#斯洛伐克語NER #高精度實體識別 #多類別實體標註

下載量 24

發布時間 : 3/2/2022

模型概述

該模型是在斯洛伐克wikiann數據集上對FERNET-CC_sk進行微調的版本，專門用於斯洛伐克語的命名實體識別任務。

模型特點

高精度實體識別

在評估集上F1值達到0.9416，準確率0.9789

多類別實體支持

支持識別地點(LOCATION)、人物(PERSON)、組織(ORGANIZATION)三類實體

專門針對斯洛伐克語優化

基於斯洛伐克語數據集訓練，對斯洛伐克語文本有良好的識別效果

模型能力

斯洛伐克語文本處理

命名實體識別

實體分類

使用案例

文本分析

新聞文本實體提取

從斯洛伐克語新聞中提取人名、地名和組織名稱

可準確識別文本中的關鍵實體信息

文檔信息提取

處理斯洛伐克語文檔，自動標記其中的實體信息

提高文檔處理效率

🚀 基於FERNET - CC_sk的命名實體識別

該模型是在斯洛伐克wikiann數據集上對fav - kky/FERNET - CC_sk進行微調後的版本。它在評估集上取得了以下成績：

損失值：0.1763
精確率：0.9360
召回率：0.9472
F1值：0.9416
準確率：0.9789

✨ 主要特性

支持的實體類別：LOCATION（地點）、PERSON（人物）、ORGANIZATION（組織）

💻 使用示例

基礎用法

from transformers import pipeline

ner_pipeline = pipeline(task='ner', model='crabz/slovakbert-ner')
input_sentence = "Minister financií a líder mandátovo najsilnejšieho hnutia OĽaNO Igor Matovič upozorňuje, že následky tretej vlny budú na Slovensku veľmi veľké."
classifications = ner_pipeline(input_sentence)

📚 詳細文檔

訓練過程

訓練超參數

訓練過程中使用了以下超參數：

學習率：5e - 05
訓練批次大小：24
評估批次大小：24
隨機種子：42
優化器：Adam（β1 = 0.9，β2 = 0.999，ε = 1e - 08）
學習率調度器類型：線性
訓練輪數：10.0

訓練結果

訓練損失	輪數	步數	驗證損失	精確率	召回率	F1值	準確率
0.1259	1.0	834	0.1095	0.8963	0.9182	0.9071	0.9697
0.071	2.0	1668	0.0974	0.9270	0.9357	0.9313	0.9762
0.0323	3.0	2502	0.1259	0.9257	0.9330	0.9293	0.9745
0.0175	4.0	3336	0.1347	0.9241	0.9360	0.9300	0.9756
0.0156	5.0	4170	0.1407	0.9337	0.9404	0.9370	0.9780
0.0062	6.0	5004	0.1522	0.9267	0.9410	0.9338	0.9774
0.0055	7.0	5838	0.1559	0.9322	0.9429	0.9375	0.9780
0.0024	8.0	6672	0.1733	0.9321	0.9438	0.9379	0.9779
0.0009	9.0	7506	0.1765	0.9347	0.9468	0.9407	0.9784
0.0002	10.0	8340	0.1763	0.9360	0.9472	0.9416	0.9789

框架版本

Transformers 4.14.0.dev0
Pytorch 1.10.0
Datasets 1.16.1
Tokenizers 0.10.3

📄 許可證

本模型採用CC - BY - NC - SA 4.0許可證。

📋 模型信息表格

屬性	詳情
模型名稱	基於FERNET - CC_sk的命名實體識別
微調基礎模型	fav - kky/FERNET - CC_sk
訓練數據集	斯洛伐克wikiann數據集
支持的實體類別	LOCATION（地點）、PERSON（人物）、ORGANIZATION（組織）
評估指標	精確率、召回率、F1值、準確率
評估集精確率	0.9360
評估集召回率	0.9472
評估集F1值	0.9416
評估集準確率	0.9789
訓練超參數	學習率5e - 05、訓練批次大小24、評估批次大小24、隨機種子42、優化器Adam（β1 = 0.9，β2 = 0.999，ε = 1e - 08）、學習率調度器類型線性、訓練輪數10.0
框架版本	Transformers 4.14.0.dev0、Pytorch 1.10.0、Datasets 1.16.1、Tokenizers 0.10.3
許可證	CC - BY - NC - SA 4.0