GNER T5 Xxl

🚀 重新思考生成式命名实体识别中的负样本

本项目提出了生成式命名实体识别（GNER）框架，该框架在未见实体领域展现出了强大的零样本能力。通过在两个代表性生成模型（LLaMA和Flan - T5）上的实验表明，在训练过程中引入负样本能够显著提升模型性能。由此得到的GNER - LLaMA和GNER - T5模型大幅超越了现有最优方法，$F_1$分数分别提高了8分和11分。代码和模型均已公开。

🚀 快速开始

安装依赖

你需要安装以下依赖：

pip install torch datasets deepspeed accelerate transformers protobuf

使用指南

请参考示例Jupyter笔记本以了解如何使用GNER模型。

✨ 主要特性

• 强大的零样本能力：GNER框架在未见实体领域展现出了出色的零样本性能。
• 性能显著提升：在训练过程中引入负样本，使得模型性能大幅超越现有最优方法。
• 多模型发布：基于LLaMA (7B) 和Flan - T5 (base, large, xl和xxl) 发布了五个GNER模型。

📦 安装指南

安装所需依赖：

pip install torch datasets deepspeed accelerate transformers protobuf

💻 使用示例

基础用法

以下是使用GNER - T5的简单推理示例：

>>> import torch
>>> from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
>>> tokenizer = AutoTokenizer.from_pretrained("dyyyyyyyy/GNER-T5-xxl")
>>> model = AutoModelForSeq2SeqLM.from_pretrained("dyyyyyyyy/GNER-T5-xxl", torch_dtype=torch.bfloat16).cuda()
>>> model = model.eval()
>>> instruction_template = "Please analyze the sentence provided, identifying the type of entity for each word on a token-by-token basis.\nOutput format is: word_1(label_1), word_2(label_2), ...\nWe'll use the BIO-format to label the entities, where:\n1. B- (Begin) indicates the start of a named entity.\n2. I- (Inside) is used for words within a named entity but are not the first word.\n3. O (Outside) denotes words that are not part of a named entity.\n"
>>> sentence = "did george clooney make a musical in the 1980s"
>>> entity_labels = ["genre", "rating", "review", "plot", "song", "average ratings", "director", "character", "trailer", "year", "actor", "title"]
>>> instruction = f"{instruction_template}\nUse the specific entity tags: {', '.join(entity_labels)} and O.\nSentence: {sentence}"
>>> inputs = tokenizer(instruction, return_tensors="pt").to("cuda")
>>> outputs = model.generate(**inputs, max_new_tokens=640)
>>> response = tokenizer.decode(outputs[0], skip_special_tokens=True)
>>> print(response)
"did(O) george(B-actor) clooney(I-actor) make(O) a(O) musical(B-genre) in(O) the(O) 1980s(B-year)"

📚 详细文档

预训练模型

我们基于LLaMA (7B) 和Flan - T5 (base, large, xl和xxl) 发布了五个GNER模型。

相关链接

• 💻 代码：https://github.com/yyDing1/GNER/
• 📖 论文：重新思考生成式命名实体识别中的负样本
• 💾 🤗 HuggingFace Hub中的模型：GNER - 模型
• 🧪 复现材料：复现材料
• 🎨 示例Jupyter笔记本：GNER笔记本

引用

@misc{ding2024rethinking,
      title={Rethinking Negative Instances for Generative Named Entity Recognition}, 
      author={Yuyang Ding and Juntao Li and Pinzheng Wang and Zecheng Tang and Bowen Yan and Min Zhang},
      year={2024},
      eprint={2402.16602},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

📄 许可证

本项目采用Apache - 2.0许可证。