Xlm Roberta Base Finetuned Wolof Finetuned Ner Swahili

🚀 XLM - RoBERTa基础模型微调沃洛夫语后再微调斯瓦希里语命名实体识别模型

本模型是一个标记分类（具体为命名实体识别，NER）模型，它在MasakhaNER数据集（具体是斯瓦希里语部分）上对[xlm - roberta - base - finetuned - wolof](https://huggingface.co/Davlan/xlm - roberta - base - finetuned - wolof)进行了微调。

更多信息以及其他类似模型可在[主GitHub仓库](https://github.com/Michael - Beukman/NERTransfer)中找到。

✨ 主要特性

• 基于Transformer架构，在MasakhaNER数据集上进行微调。
• 可用于斯瓦希里语的命名实体识别任务。
• 经过多轮训练，选择表现最佳的模型进行上传。

📦 安装指南

文档未提及具体安装步骤，可参考使用示例中的代码，确保安装transformers库。

💻 使用示例

基础用法

from transformers import AutoTokenizer, AutoModelForTokenClassification
from transformers import pipeline
model_name = 'mbeukman/xlm - roberta - base - finetuned - wolof - finetuned - ner - swahili'
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForTokenClassification.from_pretrained(model_name)

nlp = pipeline("ner", model=model, tokenizer=tokenizer)
example = "Wizara ya afya ya Tanzania imeripoti Jumatatu kuwa , watu takriban 14 zaidi wamepata maambukizi ya Covid - 19 ."

ner_results = nlp(example)
print(ner_results)

📚 详细文档

关于

此模型基于Transformer架构，在MasakhaNER数据集上进行了微调。MasakhaNER是一个命名实体识别数据集，主要包含10种不同非洲语言的新闻文章。

该模型进行了50个轮次的微调，最大序列长度为200，批量大小为32，学习率为5e - 5。此过程重复了5次（使用不同的随机种子），上传的这个模型是这5个种子中在测试集上聚合F1得分最高的。

该模型由Michael Beukman在约翰内斯堡的威特沃特斯兰德大学做项目时进行微调。截至2021年11月20日，这是版本1。此模型遵循[Apache许可证，版本2.0](https://www.apache.org/licenses/LICENSE - 2.0)。

联系与更多信息

如需了解有关模型的更多信息，包括训练脚本、详细结果和更多资源，可访问[主GitHub仓库](https://github.com/Michael - Beukman/NERTransfer)。你可以通过在此仓库中提交问题来联系作者。

训练资源

为了保证开放性并汇报所使用的资源，我们在此列出训练过程所需的时间，以及复现此训练所需的最小资源。在NER数据集上微调每个模型需要10到30分钟，训练在NVIDIA RTX3090 GPU上进行。要使用批量大小为32的训练，至少需要14GB的GPU内存，不过当批量大小为1时，大约6.5GB的显存也可以容纳这些模型。

数据

训练、评估和测试数据集直接取自MasakhaNER的[GitHub](https://github.com/masakhane - io/masakhane - ner)仓库，几乎没有进行预处理，因为原始数据集已经具有很高的质量。

使用此数据的动机在于，它是“第一个大规模、公开可用、高质量的10种非洲语言命名实体识别（NER）数据集”（来源）。高质量的数据以及引入该数据集的论文所做的基础工作，也是使用此数据集的更多原因。在评估时，使用了专门的测试分割集，该数据集与训练数据的分布相同，因此该模型可能无法推广到其他分布，需要进一步测试来研究这一点。数据的确切分布在此处有详细介绍。

预期用途

此模型旨在用于自然语言处理研究，例如可解释性或迁移学习。不支持在生产环境中使用此模型，因为其泛化能力和性能有限。特别是，该模型并非设计用于可能影响人们的任何重要下游任务，因为模型的局限性可能会造成危害，具体局限性如下所述。

局限性

此模型仅在一个（相对较小）的数据集上进行训练，涵盖一个任务（NER）、一个领域（新闻文章）以及特定的时间段。如果用于其他任务，结果可能无法泛化，模型可能表现不佳，或者出现不公平/有偏差的情况。尽管此项目的目的是研究迁移学习，但模型在未训练的语言上的性能确实会受到影响。

由于此模型以xlm - roberta - base为起点（可能在特定语言上进行了领域自适应微调），因此该模型也可能存在与xlm - roberta - base相同的局限性。这些局限性可能包括偏向于大多数训练数据的主流观点、缺乏依据以及在其他语言上的表现不佳（可能是由于训练数据不平衡）。

正如Adelani等人（2021）所示，一般来说，模型在处理长度超过3个单词的实体以及训练数据中未包含的实体时会遇到困难。这可能会使模型偏向于无法识别例如包含多个单词的人名，从而可能导致结果出现偏差。同样，不常见的名字（可能由于不同语言的原因未在训练数据中出现）也会更难被预测。

此外，此模型尚未在实践中得到验证，如果在未验证其是否能按预期工作的情况下使用，可能会出现其他更微妙的问题。

隐私与伦理考量

数据仅来自公开可用的新闻来源，可用数据应仅涵盖公众人物以及同意被报道的人。更多详细信息请参阅原始的MasakhaNER论文。

在微调此模型期间，未进行明确的伦理考量或调整。

指标

语言自适应模型在性能上（大部分情况下）优于以xlm - roberta - base为起点的模型。我们的主要指标是所有NER类别的聚合F1得分。

这些指标是在MasakhaNER的测试集上得出的，因此数据分布与训练集相似，这些结果并不能直接表明这些模型的泛化能力。

我们发现，从不同种子开始进行迁移学习时，迁移结果存在很大差异（测试了5种不同的种子），这表明迁移学习的微调过程可能不稳定。

所使用的指标是为了与先前的工作保持一致，并便于研究。其他指标可能更适合其他目的。

注意事项和建议

一般来说，此模型在“日期”类别上的表现比其他类别差，因此如果日期是关键因素，则可能需要考虑并解决这个问题，例如收集和标注更多数据。

模型结构

以下是此特定模型与我们训练的其他模型相比的一些性能细节。

所有这些指标都是在测试集上计算的，并且选择了总体F1得分最高的种子。前三个结果列是所有类别的平均值，后四个列按类别提供性能数据。

此模型可以为标记预测以下标签（[来源](https://huggingface.co/Davlan/xlm - roberta - large - masakhaner)）：

🔧 技术细节

• 模型基于Transformer架构，以xlm - roberta - base为基础进行微调。
• 训练参数：50个轮次，最大序列长度200，批量大小32，学习率5e - 5。
• 进行了5次不同随机种子的训练，选择最佳模型上传。

📄 许可证

本模型遵循[Apache许可证，版本2.0](https://www.apache.org/licenses/LICENSE - 2.0)。