FERNET-CC_sk-ner开源模型 - 免费部署，精准识别斯洛伐克语地点、人物、组织

首页

FERNET CC Sk Ner

由 crabz 开发

基于FERNET-CC_sk微调的斯洛伐克语命名实体识别模型，支持识别地点、人物和组织三类实体

序列标注

Transformers

其他#斯洛伐克语NER #高精度实体识别 #多类别实体标注

下载量 24

发布时间 : 3/2/2022

模型简介

该模型是在斯洛伐克wikiann数据集上对FERNET-CC_sk进行微调的版本，专门用于斯洛伐克语的命名实体识别任务。

模型特点

高精度实体识别

在评估集上F1值达到0.9416，准确率0.9789

多类别实体支持

支持识别地点(LOCATION)、人物(PERSON)、组织(ORGANIZATION)三类实体

专门针对斯洛伐克语优化

基于斯洛伐克语数据集训练，对斯洛伐克语文本有良好的识别效果

模型能力

斯洛伐克语文本处理

命名实体识别

实体分类

使用案例

文本分析

新闻文本实体提取

从斯洛伐克语新闻中提取人名、地名和组织名称

可准确识别文本中的关键实体信息

文档信息提取

处理斯洛伐克语文档，自动标记其中的实体信息

提高文档处理效率

🚀 基于FERNET - CC_sk的命名实体识别

该模型是在斯洛伐克wikiann数据集上对fav - kky/FERNET - CC_sk进行微调后的版本。它在评估集上取得了以下成绩：

损失值：0.1763
精确率：0.9360
召回率：0.9472
F1值：0.9416
准确率：0.9789

✨ 主要特性

支持的实体类别：LOCATION（地点）、PERSON（人物）、ORGANIZATION（组织）

💻 使用示例

基础用法

from transformers import pipeline

ner_pipeline = pipeline(task='ner', model='crabz/slovakbert-ner')
input_sentence = "Minister financií a líder mandátovo najsilnejšieho hnutia OĽaNO Igor Matovič upozorňuje, že následky tretej vlny budú na Slovensku veľmi veľké."
classifications = ner_pipeline(input_sentence)

📚 详细文档

训练过程

训练超参数

训练过程中使用了以下超参数：

学习率：5e - 05
训练批次大小：24
评估批次大小：24
随机种子：42
优化器：Adam（β1 = 0.9，β2 = 0.999，ε = 1e - 08）
学习率调度器类型：线性
训练轮数：10.0

训练结果

训练损失	轮数	步数	验证损失	精确率	召回率	F1值	准确率
0.1259	1.0	834	0.1095	0.8963	0.9182	0.9071	0.9697
0.071	2.0	1668	0.0974	0.9270	0.9357	0.9313	0.9762
0.0323	3.0	2502	0.1259	0.9257	0.9330	0.9293	0.9745
0.0175	4.0	3336	0.1347	0.9241	0.9360	0.9300	0.9756
0.0156	5.0	4170	0.1407	0.9337	0.9404	0.9370	0.9780
0.0062	6.0	5004	0.1522	0.9267	0.9410	0.9338	0.9774
0.0055	7.0	5838	0.1559	0.9322	0.9429	0.9375	0.9780
0.0024	8.0	6672	0.1733	0.9321	0.9438	0.9379	0.9779
0.0009	9.0	7506	0.1765	0.9347	0.9468	0.9407	0.9784
0.0002	10.0	8340	0.1763	0.9360	0.9472	0.9416	0.9789

框架版本

Transformers 4.14.0.dev0
Pytorch 1.10.0
Datasets 1.16.1
Tokenizers 0.10.3

📄 许可证

本模型采用CC - BY - NC - SA 4.0许可证。

📋 模型信息表格

属性	详情
模型名称	基于FERNET - CC_sk的命名实体识别
微调基础模型	fav - kky/FERNET - CC_sk
训练数据集	斯洛伐克wikiann数据集
支持的实体类别	LOCATION（地点）、PERSON（人物）、ORGANIZATION（组织）
评估指标	精确率、召回率、F1值、准确率
评估集精确率	0.9360
评估集召回率	0.9472
评估集F1值	0.9416
评估集准确率	0.9789
训练超参数	学习率5e - 05、训练批次大小24、评估批次大小24、随机种子42、优化器Adam（β1 = 0.9，β2 = 0.999，ε = 1e - 08）、学习率调度器类型线性、训练轮数10.0
框架版本	Transformers 4.14.0.dev0、Pytorch 1.10.0、Datasets 1.16.1、Tokenizers 0.10.3
许可证	CC - BY - NC - SA 4.0