Tner Xlm Roberta Base Ontonotes5

🚀 XLM - RoBERTa命名实体识别模型卡片

XLM - RoBERTa是一个针对命名实体识别（NER）任务进行微调的模型，可用于标记文本中的实体，在自然语言处理领域具有重要价值。

🚀 快速开始

使用以下代码开始使用该模型：

from transformers import AutoTokenizer, AutoModelForTokenClassification

tokenizer = AutoTokenizer.from_pretrained("asahi417/tner-xlm-roberta-base-ontonotes5")

model = AutoModelForTokenClassification.from_pretrained("asahi417/tner-xlm-roberta-base-ontonotes5")

✨ 主要特性

• 微调模型：基于XLM - RoBERTa进行微调，适用于命名实体识别任务。
• 多用途：可直接用于Token分类，也可结合tner库进行下游任务。

📚 详细文档

模型详情

模型描述

XLM - RoBERTa针对命名实体识别进行了微调。

使用方式

直接使用

Token分类

下游使用

该模型可与tner库结合使用。

不适用场景

该模型不应用于故意为人们创造敌对或排斥性的环境。

偏差、风险和局限性

大量研究已经探讨了语言模型的偏差和公平性问题（例如，参见Sheng等人 (2021) 和 Bender等人 (2021)）。该模型生成的预测可能包含针对受保护类别、身份特征以及敏感、社会和职业群体的令人不安和有害的刻板印象。

建议

用户（直接用户和下游用户）应了解该模型的风险、偏差和局限性。如需进一步建议，需更多信息。

训练详情

训练数据

一个NER数据集包含每个分割（通常为train/validation/test）的一系列标记和标签，示例如下：

{
    'train': {
        'tokens': [
            ['@paulwalk', 'It', "'s", 'the', 'view', 'from', 'where', 'I', "'m", 'living', 'for', 'two', 'weeks', '.', 'Empire', 'State', 'Building', '=', 'ESB', '.', 'Pretty', 'bad', 'storm', 'here', 'last', 'evening', '.'],
            ['From', 'Green', 'Newsfeed', ':', 'AHFA', 'extends', 'deadline', 'for', 'Sage', 'Award', 'to', 'Nov', '.', '5', 'http://tinyurl.com/24agj38'], ...
        ],
        'tags': [
            [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 2, 2, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0],
            [0, 0, 0, 0, 3, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], ...
        ]
    },
    'validation': ...,
    'test': ...,
}

还有一个将标签映射到其索引的字典（label2id），如下所示：

{"O": 0, "B-ORG": 1, "B-MISC": 2, "B-PER": 3, "I-PER": 4, "B-LOC": 5, "I-ORG": 6, "I-MISC": 7, "I-LOC": 8}

训练过程

预处理

需更多信息

速度、大小、时间

• Layer_norm_eps：1e - 05
• Num_attention_heads：12
• Num_hidden_layers：12
• Vocab_size：250002

评估

测试数据、因素和指标

测试数据

完整的数据集列表请参见数据集卡片

因素

需更多信息

指标

需更多信息

结果

需更多信息

模型检查

需更多信息

环境影响

可以使用Lacoste等人 (2019) 中提出的机器学习影响计算器来估算碳排放。

• 硬件类型：需更多信息
• 使用时长：需更多信息
• 云服务提供商：需更多信息
• 计算区域：需更多信息
• 碳排放：需更多信息

技术规格（可选）

模型架构和目标

需更多信息

计算基础设施

硬件

需更多信息

软件

需更多信息

引用

BibTeX：

@inproceedings{ushio-camacho-collados-2021-ner,
    title = "{T}-{NER}: An All-Round Python Library for Transformer-based Named Entity Recognition",
    author = "Ushio, Asahi  and
      Camacho-Collados, Jose",
    booktitle = "Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics: System Demonstrations",
    month = apr,
    year = "2021",
    address = "Online",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/2021.eacl-demos.7",
    pages = "53--62",
}

模型卡片作者（可选）

Asahi Ushio与Ezi Ozoani和Hugging Face团队合作完成。

模型卡片联系方式

需更多信息