GNER LLaMA 7B

🚀 重新思考生成式命名实体识别中的负实例

我们推出了 GNER，即生成式命名实体识别框架，它在未见实体领域展现出了卓越的零样本能力。在两个具有代表性的生成式模型（LLaMA 和 Flan - T5）上的实验表明，将负实例融入训练过程能够显著提升模型性能。由此得到的模型 GNER - LLaMA 和 GNER - T5 大幅超越了当前的最优方法，$F_1$ 分数分别提高了 8 分和 11 分。代码和模型均已公开。

• 💻 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实例
• 💾 HuggingFace 模型库：GNER 模型
• 🧪 复现材料：复现材料
• 🎨 Jupyter 示例笔记本：GNER 笔记本

🚀 快速开始

本项目提供了基于 LLaMA（7B）和 Flan - T5（base、large、xl 和 xxl）的五个 GNER 模型。

✨ 主要特性

• 提出了 GNER 生成式命名实体识别框架，在未见实体领域具有出色的零样本能力。
• 通过在训练过程中融入负实例，显著提升了模型性能。
• 基于 LLaMA 和 Flan - T5 构建的模型 GNER - LLaMA 和 GNER - T5 大幅超越当前最优方法。

📦 安装指南

你需要安装以下依赖：

pip install torch datasets deepspeed accelerate transformers protobuf

💻 使用示例

基础用法

请参考 Jupyter 示例笔记本 来了解如何使用 GNER 模型。

高级用法

以下是一个使用 GNER - LLaMA 的简单推理示例：

>>> import torch
>>> from transformers import AutoTokenizer, AutoModelForCausalLM
>>> tokenizer = AutoTokenizer.from_pretrained("dyyyyyyyy/GNER-LLaMA-7B")
>>> model = AutoModelForCausalLM.from_pretrained("dyyyyyyyy/GNER-LLaMA-7B", 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}"
>>> instruction = f"[INST] {instruction} [/INST]"
>>> 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)
>>> response = response[response.find("[/INST]") + len("[/INST]"):].strip()
>>> print(response)
"did(O) george(B-actor) clooney(I-actor) make(O) a(O) musical(B-genre) in(O) the(O) 1980s(B-year)"

📄 许可证

本项目采用 Apache - 2.0 许可证。

📚 详细文档

预训练模型

我们发布了基于不同规模的预训练模型，具体信息如下：

📚 引用

如果你使用了本项目的代码或模型，请引用以下论文：

@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}
}