Roberta Base Bne Capitel Ner Plus

🚀 西班牙RoBERTa-base模型，針對CAPITEL命名實體識別（NER）數據集微調

本模型基於西班牙國家圖書館的大量語料預訓練的RoBERTa-base模型，針對CAPITEL命名實體識別數據集進行微調，能更準確識別西班牙語中的命名實體。

🚀 快速開始

模型描述

roberta-base-bne-capitel-ner-plus 是一個用於西班牙語的命名實體識別（NER）模型，它基於 roberta-base-bne 模型微調而來。roberta-base-bne 是一個 RoBERTa 基礎模型，使用了截至目前已知的最大西班牙語語料庫進行預訓練，該語料庫包含總計570GB的乾淨且去重的文本，這些文本是從 西班牙國家圖書館（Biblioteca Nacional de España） 在2009年至2019年間進行的網絡爬取數據中處理而來。此模型是 roberta-base-bne-capitel-ner 模型的更強大版本，能更好地識別小寫的命名實體（NE）。

預期用途和限制

roberta-base-bne-capitel-ner-plus 模型可用於識別命名實體（NE）。不過，該模型受其訓練數據集的限制，可能無法在所有用例中都有良好的泛化表現。

如何使用

from transformers import pipeline
from pprint import pprint

nlp = pipeline("ner", model="PlanTL-GOB-ES/roberta-base-bne-capitel-ner-plus")
example = "Me llamo francisco javier y vivo en madrid."

ner_results = nlp(example)
pprint(ner_results)

限制和偏差

在提交時，尚未採取措施來估計模型中嵌入的偏差。然而，我們深知由於語料庫是通過在多個網絡源上進行爬取技術收集的，我們的模型可能存在偏差。我們打算在未來對這些領域進行研究，如果研究完成，此模型卡片將進行更新。

訓練

用於訓練和評估的數據集來自 2020年IberLEF的CAPITEL競賽（子任務1）。我們對數據集進行了小寫和大寫轉換，並在訓練中添加了額外的句子。

訓練過程

模型以16的批次大小和5e-5的學習率進行了5個週期的訓練。然後，我們使用相應開發集上的下游任務指標選擇了最佳檢查點，並在測試集上進行了評估。

評估

變量和指標

此模型在微調時以最大化F1分數為目標。

評估結果

我們在CAPITEL-NERC測試集上針對標準的多語言和單語言基線對 roberta-base-bne-capitel-ner-plus 進行了評估：

更多詳細信息，請查看官方 GitHub倉庫 中的微調與評估腳本。

額外信息

作者

巴塞羅那超級計算中心的文本挖掘單元（TeMU）（bsc-temu@bsc.es）

聯繫信息

如需更多信息，請發送電子郵件至 plantl-gob-es@bsc.es

版權

版權歸西班牙數字化與人工智能國務秘書處（SEDIA）所有（2022）

許可信息

Apache許可證，版本2.0

資金支持

這項工作由西班牙數字化與人工智能國務秘書處（SEDIA）在Plan-TL框架內資助。

引用信息

如果您使用此模型，請引用我們的 論文：

@article{,
   abstract = {We want to thank the National Library of Spain for such a large effort on the data gathering and the Future of Computing Center, a
Barcelona Supercomputing Center and IBM initiative (2020). This work was funded by the Spanish State Secretariat for Digitalization and Artificial
Intelligence (SEDIA) within the framework of the Plan-TL.},
   author = {Asier Gutiérrez Fandiño and Jordi Armengol Estapé and Marc Pàmies and Joan Llop Palao and Joaquin Silveira Ocampo and Casimiro Pio Carrino and Carme Armentano Oller and Carlos Rodriguez Penagos and Aitor Gonzalez Agirre and Marta Villegas},
   doi = {10.26342/2022-68-3},
   issn = {1135-5948},
   journal = {Procesamiento del Lenguaje Natural},
   keywords = {Artificial intelligence,Benchmarking,Data processing.,MarIA,Natural language processing,Spanish language modelling,Spanish language resources,Tractament del llenguatge natural (Informàtica),Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Llenguatge natural},
   publisher = {Sociedad Española para el Procesamiento del Lenguaje Natural},
   title = {MarIA: Spanish Language Models},
   volume = {68},
   url = {https://upcommons.upc.edu/handle/2117/367156#.YyMTB4X9A-0.mendeley},
   year = {2022},
}

免責聲明

本倉庫中發佈的模型旨在用於通用目的，並可供第三方使用。這些模型可能存在偏差和/或其他不良扭曲。

當第三方使用這些模型（或使用基於這些模型的系統）部署或向其他方提供系統和/或服務，或成為模型的用戶時，他們應注意，減輕使用這些模型帶來的風險並遵守適用法規（包括有關人工智能使用的法規）是他們的責任。

在任何情況下，模型的所有者（SEDIA - 數字化與人工智能國務秘書處）和創建者（BSC - 巴塞羅那超級計算中心）均不對第三方使用這些模型所產生的任何結果負責。

Los modelos publicados en este repositorio tienen una finalidad generalista y están a disposición de terceros. Estos modelos pueden tener sesgos y/u otro tipo de distorsiones indeseables.

Cuando terceros desplieguen o proporcionen sistemas y/o servicios a otras partes usando alguno de estos modelos (o utilizando sistemas basados en estos modelos) o se conviertan en usuarios de los modelos, deben tener en cuenta que es su responsabilidad mitigar los riesgos derivados de su uso y, en todo caso, cumplir con la normativa aplicable, incluyendo la normativa en materia de uso de inteligencia artificial.

En ningún caso el propietario de los modelos (SEDIA – Secretaría de Estado de Digitalización e Inteligencia Artificial) ni el creador (BSC – Barcelona Supercomputing Center) serán responsables de los resultados derivados del uso que hagan terceros de estos modelos.

信息表格