Xlm Roberta Base Finetuned Ner Wolof

🚀 xlm-roberta-base-finetuned-ner-wolof

这是一个用于令牌分类（具体为命名实体识别，NER）的模型，它在MasakhaNER数据集（具体是沃洛夫语部分）上对xlm-roberta-base进行了微调。在主GitHub仓库中可以找到更多信息和其他类似模型。

✨ 主要特性

• 基于Transformer架构，在MasakhaNER数据集上进行微调。
• 该数据集是一个命名实体识别数据集，包含10种不同非洲语言的新闻文章。
• 模型经过50个训练周期的微调，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），上传的这个模型在这5个种子中（测试集上的综合F1分数）表现最佳。

📦 安装指南

文档中未提及安装相关内容，若要使用该模型，可参考以下使用示例中的依赖安装。

💻 使用示例

基础用法

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

nlp = pipeline("ner", model=model, tokenizer=tokenizer)
example = "SAFIYETU BÉEY Céy Koronaa !"

ner_results = nlp(example)
print(ner_results)

📚 详细文档

关于

此模型基于Transformer架构，并在MasakhaNER数据集上进行了微调。该数据集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。

模型进行了50个训练周期的微调，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），上传的这个模型在这5个种子中（测试集上的综合F1分数）表现最佳。

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。

联系与更多信息

有关模型的更多信息，包括训练脚本、详细结果和更多资源，你可以访问主GitHub仓库。你可以通过在此仓库中提交问题来联系我。

训练资源

为了保证开放性并报告使用的资源，我们在此列出训练过程所需的时间，以及复现此过程所需的最低资源。在NER数据集上微调每个模型需要10到30分钟，并且是在NVIDIA RTX3090 GPU上进行的。要使用批量大小为32，至少需要14GB的GPU内存，不过当使用批量大小为1时，大约6.5GB的显存也可以勉强运行这些模型。

数据

训练、评估和测试数据集直接取自MasakhaNER的GitHub仓库，几乎没有进行预处理，因为原始数据集的质量已经很高。

使用此数据的动机在于，它是“第一个大规模、公开可用、高质量的十种非洲语言命名实体识别（NER）数据集”（来源）。高质量的数据以及介绍该数据集的论文所奠定的基础，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，该数据集与训练集的数据分布相同，因此该模型可能无法很好地泛化到其他分布，需要进行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

该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，因为其泛化能力和整体性能有限。特别是，它并非设计用于任何可能影响人们的重要下游任务，因为模型的局限性（如下所述）可能会造成危害。

局限性

该模型仅在一个（相对较小）的数据集上进行了训练，涵盖了一个任务（NER）、一个领域（新闻文章）和一个特定的时间段。如果用于其他任务，结果可能无法泛化，模型可能表现不佳，或者以不公平/有偏差的方式运行。尽管此项目的目的是研究迁移学习，但模型在未训练过的语言上的性能确实会受到影响。

由于该模型以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xlm - roberta - base的局限性也可能适用于此模型。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不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（由于例如不同语言的原因）可能在训练数据中未出现，也会被预测得更少。

此外，该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

与以xlm - roberta - base为起点相比，语言自适应模型（大部分）表现更优。我们的主要指标是所有NER类别的综合F1分数。

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如何。

我们发现，从不同种子开始进行迁移学习时，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。

选择这些指标是为了与先前的工作保持一致，并便于研究。对于其他目的，可能需要使用其他更合适的指标。

注意事项和建议

一般来说，该模型在“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，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

以下是该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，并且选择了能给出最佳整体F1分数的种子。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。

该模型可以为令牌预测以下标签（来源）：

📄 许可证

该模型遵循Apache许可证，版本2.0。