Ner Dutch Large

🚀 荷蘭語大型命名實體識別模型（Flair）

這是一個用於荷蘭語的大型4類命名實體識別（NER）模型，由 Flair 提供。該模型能有效識別荷蘭語文本中的實體信息，具有較高的準確性和實用性。

✨ 主要特性

• 高準確率：在CoNLL - 03荷蘭語數據集上，F1分數達到 95.25。
• 多標籤預測：可預測4種標籤，分別為人物（PER）、地點（LOC）、組織（ORG）和其他（MISC）。
• 先進技術：基於文檔級XLM - R嵌入和 FLERT 技術。

📦 安裝指南

使用該模型需要安裝 Flair，可以通過以下命令進行安裝：

pip install flair

💻 使用示例

基礎用法

from flair.data import Sentence
from flair.models import SequenceTagger

# 加載標籤器
tagger = SequenceTagger.load("flair/ner-dutch-large")

# 創建示例句子
sentence = Sentence("George Washington ging naar Washington")

# 預測命名實體識別標籤
tagger.predict(sentence)

# 打印句子
print(sentence)

# 打印預測的命名實體識別跨度
print('The following NER tags are found:')
# 遍歷實體並打印
for entity in sentence.get_spans('ner'):
    print(entity)

上述代碼的輸出結果如下：

Span [1,2]: "George Washington"   [− Labels: PER (1.0)]
Span [5]: "Washington"   [− Labels: LOC (1.0)]

在句子 "George Washington ging naar Washington" 中，識別出了實體 "George Washington"（標記為 人物）和 "Washington"（標記為 地點）。

🔧 技術細節

該模型的訓練腳本如下：

import torch

# 1. 獲取語料庫
from flair.datasets import CONLL_03_DUTCH

corpus = CONLL_03_DUTCH()

# 2. 確定要預測的標籤類型
tag_type = 'ner'

# 3. 從語料庫中創建標籤字典
tag_dictionary = corpus.make_tag_dictionary(tag_type=tag_type)

# 4. 初始化可微調的Transformer嵌入，並使用文檔上下文
from flair.embeddings import TransformerWordEmbeddings

embeddings = TransformerWordEmbeddings(
    model='xlm-roberta-large',
    layers="-1",
    subtoken_pooling="first",
    fine_tune=True,
    use_context=True,
)

# 5. 初始化基礎的序列標籤器（無CRF、無RNN、無重投影）
from flair.models import SequenceTagger

tagger = SequenceTagger(
    hidden_size=256,
    embeddings=embeddings,
    tag_dictionary=tag_dictionary,
    tag_type='ner',
    use_crf=False,
    use_rnn=False,
    reproject_embeddings=False,
)

# 6. 使用AdamW優化器初始化訓練器
from flair.trainers import ModelTrainer

trainer = ModelTrainer(tagger, corpus, optimizer=torch.optim.AdamW)

# 7. 使用XLM參數運行訓練（20個週期，小學習率）
from torch.optim.lr_scheduler import OneCycleLR

trainer.train('resources/taggers/ner-dutch-large',
              learning_rate=5.0e-6,
              mini_batch_size=4,
              mini_batch_chunk_size=1,
              max_epochs=20,
              scheduler=OneCycleLR,
              embeddings_storage_mode='none',
              weight_decay=0.,
              )

📄 引用說明

使用該模型時，請引用以下論文：

@misc{schweter2020flert,
    title={FLERT: Document-Level Features for Named Entity Recognition},
    author={Stefan Schweter and Alan Akbik},
    year={2020},
    eprint={2011.06993},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

📚 問題反饋

如果遇到問題，可以在 Flair問題跟蹤器 中反饋。