Ner Roberta Base Ontonotesv5 Englishv4

🚀 (NER) roberta-base : conll2012_ontonotesv5-english-v4

本roberta-base命名实体识别（NER）模型在conll2012_ontonotesv5的english-v4版本数据集上进行了微调。
更多信息请查看NER-System仓库。

🚀 快速开始

本roberta-base命名实体识别（NER）模型专为解决英文文本中的实体识别问题而设计。它在conll2012_ontonotesv5的english-v4版本数据集上进行了微调，能够准确识别多种类型的实体，为信息提取和文本分析提供了强大的支持。

✨ 主要特性

• 基于特定数据集微调：在conll2012_ontonotesv5的english-v4版本数据集上进行微调，更适配英文实体识别任务。
• 多指标评估表现良好：在精确率、召回率和F1分数等评估指标上都有不错的表现。

📦 安装指南

文档未提及安装步骤，暂不展示。

💻 使用示例

基础用法

from transformers import pipeline

ner_pipeline = pipeline(
    'token-classification', 
    model=r'djagatiya/ner-roberta-base-ontonotesv5-englishv4',
    aggregation_strategy='simple'
)

高级用法

# 测试用例1
ner_pipeline("India is a beautiful country")

# 测试用例1输出
[{'entity_group': 'GPE',
  'score': 0.99186057,
  'word': ' India',
  'start': 0,
  'end': 5}]

# 测试用例2
ner_pipeline("On September 1st George won 1 dollar while watching Game of Thrones.")

# 测试用例2输出
[{'entity_group': 'DATE',
  'score': 0.99720246,
  'word': ' September 1st',
  'start': 3,
  'end': 16},
 {'entity_group': 'PERSON',
  'score': 0.99071586,
  'word': ' George',
  'start': 17,
  'end': 23},
 {'entity_group': 'MONEY',
  'score': 0.9872978,
  'word': ' 1 dollar',
  'start': 28,
  'end': 36},
 {'entity_group': 'WORK_OF_ART',
  'score': 0.9946732,
  'word': ' Game of Thrones',
  'start': 52,
  'end': 67}]

📚 详细文档

数据集

• conll2012_ontonotesv5
  • 语言：英语
  • 版本：v4

评估

• 精确率：88.88
• 召回率：90.69
• F1分数：89.78

查看eval.log文件获取评估指标和分类报告。

                precision    recall  f1-score   support

    CARDINAL       0.84      0.85      0.85       935
        DATE       0.85      0.90      0.87      1602
       EVENT       0.67      0.76      0.71        63
         FAC       0.74      0.72      0.73       135
         GPE       0.97      0.96      0.96      2240
    LANGUAGE       0.83      0.68      0.75        22
         LAW       0.66      0.62      0.64        40
         LOC       0.74      0.80      0.77       179
       MONEY       0.85      0.89      0.87       314
        NORP       0.93      0.96      0.95       841
     ORDINAL       0.81      0.89      0.85       195
         ORG       0.90      0.91      0.91      1795
     PERCENT       0.90      0.92      0.91       349
      PERSON       0.95      0.95      0.95      1988
     PRODUCT       0.74      0.83      0.78        76
    QUANTITY       0.76      0.80      0.78       105
        TIME       0.62      0.67      0.65       212
 WORK_OF_ART       0.58      0.69      0.63       166

   micro avg       0.89      0.91      0.90     11257
   macro avg       0.80      0.82      0.81     11257
weighted avg       0.89      0.91      0.90     11257

🔧 技术细节

文档未提供技术实现细节，暂不展示。

📄 许可证

文档未提及许可证信息，暂不展示。