%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
TW
Tr Core News Trf
模型概述
這是一個基於轉換器的土耳其語自然語言處理模型，專為SpaCy框架設計，支持多種NLP任務，包括詞性標註、形態分析、命名實體識別等。
模型特點
全面的NLP組件
包含轉換器、標記器、形態分析器、詞形還原器、解析器和命名實體識別器，覆蓋多種NLP任務。
高性能
在NER任務上F值達到0.913，詞性標註準確率達到0.917，表現出色。
基於轉換器架構
使用dbmdz土耳其BERT模型(區分大小寫)作為基礎，具有強大的語言理解能力。
模型能力
詞性標註
形態分析
詞形還原
依存句法分析
命名實體識別
句子分割
使用案例
文本處理
土耳其語文本分析
對土耳其語文本進行全面的語言學分析，包括詞性標註、形態分析等。
準確識別文本中的詞性、形態特徵和句法關係
信息提取
命名實體識別
從土耳其語文本中識別和分類命名實體，如人名、地名等。
NER F值達到0.913
標籤:
- spacy
- 標記分類 語言:
- tr 許可證: cc-by-sa-4.0 模型索引:
- 名稱: tr_core_news_trf
結果:
- 任務:
名稱: NER
類型: 標記分類
指標:
- 名稱: NER精確率 類型: 精確率 值: 0.9135450185
- 名稱: NER召回率 類型: 召回率 值: 0.9127138178
- 名稱: NER F值 類型: f_score 值: 0.913129229
- 任務:
名稱: TAG
類型: 標記分類
指標:
- 名稱: TAG (XPOS)準確率 類型: 準確率 值: 0.9174219957
- 任務:
名稱: POS
類型: 標記分類
指標:
- 名稱: POS (UPOS)準確率 類型: 準確率 值: 0.9094402673
- 任務:
名稱: MORPH
類型: 標記分類
指標:
- 名稱: 形態(UFeats)準確率 類型: 準確率 值: 0.9145220588
- 任務:
名稱: LEMMA
類型: 標記分類
指標:
- 名稱: 詞形還原準確率 類型: 準確率 值: 0.8782380178
- 任務:
名稱: 無標記依存關係
類型: 標記分類
指標:
- 名稱: 無標記附著分數(UAS) 類型: f_score 值: 0.7988988989
- 任務:
名稱: 有標記依存關係
類型: 標記分類
指標:
- 名稱: 有標記附著分數(LAS) 類型: f_score 值: 0.7189673288
- 任務:
名稱: 句子
類型: 標記分類
指標:
- 名稱: 句子F值 類型: f_score 值: 0.8765432099
- 任務:
名稱: NER
類型: 標記分類
指標:
土耳其語轉換器管道，用於TrSpaCy。組件包括：轉換器、標記器、形態分析器、詞形還原器、解析器、命名實體識別器。
| 特性 | 描述 |
|---|---|
| 名稱 | tr_core_news_trf |
| 版本 | 3.4.2 |
| spaCy | >=3.4.2,<3.5.0 |
| 默認管道 | transformer, tagger, morphologizer, trainable_lemmatizer, parser, ner |
| 組件 | transformer, tagger, morphologizer, trainable_lemmatizer, parser, ner |
| 向量 | 0個鍵，0個唯一向量（0維） |
| 來源 | UD土耳其BOUN (Türk, Utku; Atmaca, Furkan; Özateş, Şaziye Betül; Berk, Gözde; Bedir, Seyyit Talha; Köksal, Abdullatif; Öztürk Başaran, Balkız; Güngör, Tunga; Özgür, Arzucan) 土耳其維基NER數據集 (Duygu Altinok, Co-one Istanbul) PANX/WikiANN (Xiaoman Pan, Boliang Zhang, Jonathan May, Joel Nothman, Kevin Knight, Heng Ji) dbmdz土耳其BERT模型(區分大小寫) (Bayerische Staatsbibliothek) |
| 許可證 | cc-by-sa-4.0 |
| 作者 | Duygu |
標籤方案
查看標籤方案（4個組件的1572個標籤）
| 組件 | 標籤 |
|---|---|
tagger |
ADP, ADV, ANum, ANum_Adj, ANum_Ness, ANum_Noun, ANum_With, ANum_Zero, Abr, Abr_With, Adj, Adj_Ness, Adj_With, Adj_Without, Adj_Zero, Adv, Adverb, Adverb_Adverb, Adverb_Noun, Adverb_Zero, Conj, Conj_Conj, DET, Demons, Demons_Zero, Det, Det_Zero, Dup, Interj, NAdj, NAdj_Aux, NAdj_Ness, NAdj_Noun, NAdj_Rel, NAdj_Verb, NAdj_With, NAdj_Without, NAdj_Zero, NNum, NNum_Rel, NNum_Zero, NOUN, Neg, Ness, Noun, Noun_Ness, Noun_Noun, Noun_Rel, Noun_Since, Noun_Verb, Noun_With, Noun_With_Ness, Noun_With_Verb, Noun_With_Zero, Noun_Without, Noun_Zero, PCAbl, PCAbl_Rel, PCAcc, PCDat, PCDat_Zero, PCGen, PCIns, PCIns_Zero, PCNom, PCNom_Adj, PCNom_Noun, PCNom_Zero, PRON, PUNCT, Pers, Pers_Ness, Pers_Pers, Pers_Rel, Pers_Zero, Postp, Prop, Prop_Conj, Prop_Rel, Prop_Since, Prop_With, Prop_Zero, Punc, Punc_Noun_Ness, Punc_Noun_Rel, Quant, Quant_Zero, Ques, Ques_Zero, Reflex, Reflex_Zero, Rel, SYM, Since, Since_Since, Verb, Verb_Conj, Verb_Ness, Verb_Noun, Verb_Verb, Verb_With, Verb_Zero, With, Without, Without_Zero, Zero |
morphologizer |
NumType=Card|POS=NUM, Aspect=Perf|Case=Loc|Mood=Ind|Number=Plur,Sing|Number[psor]=Sing|POS=NOUN|Person=1,3|Person[psor]=3|Tense=Pres, POS=PUNCT, POS=ADV, POS=NOUN, Case=Nom|Number=Sing|POS=ADJ|Person=3, POS=DET, Case=Loc|Number=Sing|POS=VERB|Person=1, Case=Nom|Number=Sing|POS=PRON|Person=3|PronType=Prs, Case=Dat|Number=Sing|POS=VERB|Person=3, POS=ADJ, Aspect=Perf|Case=Nom|Number=Sing|Number[psor]=Sing|POS=VERB|Person=3|Person[psor]=3|Polarity=Pos|Tense=Past|VerbForm=Part, Case=Gen|Number=Sing|POS=NOUN|Person=3, POS=PRON, Case=Nom|Number=Sing|POS=NOUN|Person=3, Aspect=Perf|Case=Acc|Number=Sing|Number[psor]=Sing|POS=VERB|Person=3|Person[psor]=3|Polarity=Pos|Tense=Past|VerbForm=Part, POS=VERB|Polarity=Pos|Tense=Pres|VerbForm=Part, Case=Acc|Number=Plur|POS=NOUN|Person=3, Aspect=Perf|Evident=Fh|Number=Sing|POS=VERB|Person=3|Tense=Past, Case=Nom|Number=Sing|POS=PROPN|Person=3, Case=Dat|Number=Sing|POS=PROPN|Person=3, POS=VERB|Polarity=Pos, Case=Acc|Number=Sing|POS=VERB|Person=3|Polarity=Pos, Aspect=Perf|Evident=Fh|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Past, Aspect=Prog|Evident=Fh|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Past, Case=Abl|Number=Sing|POS=ADJ|Person=3, Case=Nom|Number=Plur|POS=NOUN|Person=3, Case=Loc|Number=Plur|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, POS=INTJ, Case=Abl|Number=Plur|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Case=Ins|Number=Sing|POS=PROPN|Person=3, Case=Loc|Number=Sing|POS=PROPN|Person=3, Case=Acc|Number=Sing|POS=NOUN|Person=3, Aspect=Imp|POS=VERB|Polarity=Pos|Tense=Fut|VerbForm=Part, Case=Nom|Number=Sing|POS=PRON|Person=3, POS=CCONJ, Case=Nom|Number=Plur|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Case=Nom|Mood=Imp|Number=Sing|POS=VERB|Person=3|Polarity=Pos|VerbForm=Conv|Voice=Cau, Case=Dat|Number=Sing|Number[psor]=Plur|POS=ADJ|Person=3|Person[psor]=1, Aspect=Prog|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Pres, Case=Gen|Number=Sing|POS=PROPN|Person=3, Case=Abl|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Case=Nom|Number=Sing|POS=ADP|Person=3, Case=Dat|Number=Plur|POS=NOUN|Person=3, Aspect=Perf|Evident=Fh|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Past|Voice=Pass, Case=Nom|POS=VERB|Polarity=Pos, Case=Nom|Number=Sing|POS=VERB|Person=3, Case=Loc|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Case=Nom|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Voice=Cau, Case=Dat|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=3, Case=Acc|Number=Sing|POS=PROPN|Person=3, Aspect=Imp|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Fut, POS=ADP, Aspect=Perf|Evident=Fh|Number=Sing|POS=VERB|Person=1|Polarity=Pos|Tense=Past|Voice=Pass, Evident=Nfh|Number=Sing|POS=VERB|Person=3|Polarity=Pos|Tense=Past, Case=Nom|Number=Sing|Number[psor]=Sing|POS=NOUN|Person=3|Person[psor]=1, Aspect=Perf|Number[psor]=Sing|POS=VERB|Person[psor]=3|Polarity=Pos|Tense=Past|VerbForm=Part, Aspect=Perf|Case=Nom|Number=Sing|Number[psor]=Sing|POS=VERB|Person=3|Person[psor]=3|Polarity=Neg|Tense=Past|VerbForm=Part, Case=Acc|Number=Plur|POS=PRON|Person=3, `Aspect=Perf|Number[psor]=Sing|POS=VERB |
Indonesian Roberta Base Posp Tagger
MIT
這是一個基於印尼語RoBERTa模型微調的詞性標註模型，在indonlu數據集上訓練，用於印尼語文本的詞性標註任務。
序列標註
Transformers 其他
Transformers 其他I
w11wo
2.2M
7
Bert Base NER
MIT
基於BERT微調的命名實體識別模型，可識別四類實體：地點(LOC)、組織機構(ORG)、人名(PER)和雜項(MISC)
序列標註 英語
B
dslim
1.8M
592
Deid Roberta I2b2
MIT
該模型是基於RoBERTa微調的序列標註模型，用於識別和移除醫療記錄中的受保護健康信息(PHI/PII)。
序列標註 Transformers 支持多種語言
Transformers 支持多種語言D
obi
1.1M
33
Ner English Fast
Flair自帶的英文快速4類命名實體識別模型，基於Flair嵌入和LSTM-CRF架構，在CoNLL-03數據集上達到92.92的F1分數。
序列標註
PyTorch 英語
PyTorch 英語N
flair
978.01k
24
French Camembert Postag Model
基於Camembert-base的法語詞性標註模型，使用free-french-treebank數據集訓練
序列標註 Transformers 法語
Transformers 法語F
gilf
950.03k
9
Xlm Roberta Large Ner Spanish
基於XLM-Roberta-large架構微調的西班牙語命名實體識別模型，在CoNLL-2002數據集上表現優異。
序列標註 Transformers 西班牙語
Transformers 西班牙語X
MMG
767.35k
29
Nusabert Ner V1.3
MIT
基於NusaBert-v1.3在印尼語NER任務上微調的命名實體識別模型
序列標註 Transformers 其他
Transformers 其他N
cahya
759.09k
3
Ner English Large
Flair框架內置的英文4類大型NER模型，基於文檔級XLM-R嵌入和FLERT技術，在CoNLL-03數據集上F1分數達94.36。
序列標註 PyTorch 英語
PyTorch 英語N
flair
749.04k
44
Punctuate All
MIT
基於xlm-roberta-base微調的多語言標點符號預測模型，支持12種歐洲語言的標點符號自動補全
序列標註 Transformers
TransformersP
kredor
728.70k
20
Xlm Roberta Ner Japanese
MIT
基於xlm-roberta-base微調的日語命名實體識別模型
序列標註 Transformers 支持多種語言
Transformers 支持多種語言X
tsmatz
630.71k
25
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型，性能媲美GPT-3.5-turbo，優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型 Transformers 支持多種語言
Transformers 支持多種語言L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型，專為邊緣設備推理設計，體積僅為Cosmo-3B模型的2%左右。
對話系統 Transformers 英語
Transformers 英語C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型，適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98