Tner Xlm Roberta Base Ontonotes5

🚀 XLM - RoBERTa命名實體識別模型卡片

XLM - RoBERTa是一個針對命名實體識別（NER）任務進行微調的模型，可用於標記文本中的實體，在自然語言處理領域具有重要價值。

🚀 快速開始

使用以下代碼開始使用該模型：

from transformers import AutoTokenizer, AutoModelForTokenClassification

tokenizer = AutoTokenizer.from_pretrained("asahi417/tner-xlm-roberta-base-ontonotes5")

model = AutoModelForTokenClassification.from_pretrained("asahi417/tner-xlm-roberta-base-ontonotes5")

✨ 主要特性

• 微調模型：基於XLM - RoBERTa進行微調，適用於命名實體識別任務。
• 多用途：可直接用於Token分類，也可結合tner庫進行下游任務。

📚 詳細文檔

模型詳情

模型描述

XLM - RoBERTa針對命名實體識別進行了微調。

使用方式

直接使用

Token分類

下游使用

該模型可與tner庫結合使用。

不適用場景

該模型不應用於故意為人們創造敵對或排斥性的環境。

偏差、風險和侷限性

大量研究已經探討了語言模型的偏差和公平性問題（例如，參見Sheng等人 (2021) 和 Bender等人 (2021)）。該模型生成的預測可能包含針對受保護類別、身份特徵以及敏感、社會和職業群體的令人不安和有害的刻板印象。

建議

用戶（直接用戶和下游用戶）應瞭解該模型的風險、偏差和侷限性。如需進一步建議，需更多信息。

訓練詳情

訓練數據

一個NER數據集包含每個分割（通常為train/validation/test）的一系列標記和標籤，示例如下：

{
    'train': {
        'tokens': [
            ['@paulwalk', 'It', "'s", 'the', 'view', 'from', 'where', 'I', "'m", 'living', 'for', 'two', 'weeks', '.', 'Empire', 'State', 'Building', '=', 'ESB', '.', 'Pretty', 'bad', 'storm', 'here', 'last', 'evening', '.'],
            ['From', 'Green', 'Newsfeed', ':', 'AHFA', 'extends', 'deadline', 'for', 'Sage', 'Award', 'to', 'Nov', '.', '5', 'http://tinyurl.com/24agj38'], ...
        ],
        'tags': [
            [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 2, 2, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0],
            [0, 0, 0, 0, 3, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], ...
        ]
    },
    'validation': ...,
    'test': ...,
}

還有一個將標籤映射到其索引的字典（label2id），如下所示：

{"O": 0, "B-ORG": 1, "B-MISC": 2, "B-PER": 3, "I-PER": 4, "B-LOC": 5, "I-ORG": 6, "I-MISC": 7, "I-LOC": 8}

訓練過程

預處理

需更多信息

速度、大小、時間

• Layer_norm_eps：1e - 05
• Num_attention_heads：12
• Num_hidden_layers：12
• Vocab_size：250002

評估

測試數據、因素和指標

測試數據

完整的數據集列表請參見數據集卡片

因素

需更多信息

指標

需更多信息

結果

需更多信息

模型檢查

需更多信息

環境影響

可以使用Lacoste等人 (2019) 中提出的機器學習影響計算器來估算碳排放。

• 硬件類型：需更多信息
• 使用時長：需更多信息
• 雲服務提供商：需更多信息
• 計算區域：需更多信息
• 碳排放：需更多信息

技術規格（可選）

模型架構和目標

需更多信息

計算基礎設施

硬件

需更多信息

軟件

需更多信息

引用

BibTeX：

@inproceedings{ushio-camacho-collados-2021-ner,
    title = "{T}-{NER}: An All-Round Python Library for Transformer-based Named Entity Recognition",
    author = "Ushio, Asahi  and
      Camacho-Collados, Jose",
    booktitle = "Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics: System Demonstrations",
    month = apr,
    year = "2021",
    address = "Online",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/2021.eacl-demos.7",
    pages = "53--62",
}

模型卡片作者（可選）

Asahi Ushio與Ezi Ozoani和Hugging Face團隊合作完成。

模型卡片聯繫方式

需更多信息