Roberta Base Bne Capitel Ner Plus

🚀 西班牙RoBERTa-base模型，针对CAPITEL命名实体识别（NER）数据集微调

本模型基于西班牙国家图书馆的大量语料预训练的RoBERTa-base模型，针对CAPITEL命名实体识别数据集进行微调，能更准确识别西班牙语中的命名实体。

🚀 快速开始

模型描述

roberta-base-bne-capitel-ner-plus 是一个用于西班牙语的命名实体识别（NER）模型，它基于 roberta-base-bne 模型微调而来。roberta-base-bne 是一个 RoBERTa 基础模型，使用了截至目前已知的最大西班牙语语料库进行预训练，该语料库包含总计570GB的干净且去重的文本，这些文本是从 西班牙国家图书馆（Biblioteca Nacional de España） 在2009年至2019年间进行的网络爬取数据中处理而来。此模型是 roberta-base-bne-capitel-ner 模型的更强大版本，能更好地识别小写的命名实体（NE）。

预期用途和限制

roberta-base-bne-capitel-ner-plus 模型可用于识别命名实体（NE）。不过，该模型受其训练数据集的限制，可能无法在所有用例中都有良好的泛化表现。

如何使用

from transformers import pipeline
from pprint import pprint

nlp = pipeline("ner", model="PlanTL-GOB-ES/roberta-base-bne-capitel-ner-plus")
example = "Me llamo francisco javier y vivo en madrid."

ner_results = nlp(example)
pprint(ner_results)

限制和偏差

在提交时，尚未采取措施来估计模型中嵌入的偏差。然而，我们深知由于语料库是通过在多个网络源上进行爬取技术收集的，我们的模型可能存在偏差。我们打算在未来对这些领域进行研究，如果研究完成，此模型卡片将进行更新。

训练

用于训练和评估的数据集来自 2020年IberLEF的CAPITEL竞赛（子任务1）。我们对数据集进行了小写和大写转换，并在训练中添加了额外的句子。

训练过程

模型以16的批次大小和5e-5的学习率进行了5个周期的训练。然后，我们使用相应开发集上的下游任务指标选择了最佳检查点，并在测试集上进行了评估。

评估

变量和指标

此模型在微调时以最大化F1分数为目标。

评估结果

我们在CAPITEL-NERC测试集上针对标准的多语言和单语言基线对 roberta-base-bne-capitel-ner-plus 进行了评估：

更多详细信息，请查看官方 GitHub仓库 中的微调与评估脚本。

额外信息

作者

巴塞罗那超级计算中心的文本挖掘单元（TeMU）（bsc-temu@bsc.es）

联系信息

如需更多信息，请发送电子邮件至 plantl-gob-es@bsc.es

版权

版权归西班牙数字化与人工智能国务秘书处（SEDIA）所有（2022）

许可信息

Apache许可证，版本2.0

资金支持

这项工作由西班牙数字化与人工智能国务秘书处（SEDIA）在Plan-TL框架内资助。

引用信息

如果您使用此模型，请引用我们的 论文：

@article{,
   abstract = {We want to thank the National Library of Spain for such a large effort on the data gathering and the Future of Computing Center, a
Barcelona Supercomputing Center and IBM initiative (2020). This work was funded by the Spanish State Secretariat for Digitalization and Artificial
Intelligence (SEDIA) within the framework of the Plan-TL.},
   author = {Asier Gutiérrez Fandiño and Jordi Armengol Estapé and Marc Pàmies and Joan Llop Palao and Joaquin Silveira Ocampo and Casimiro Pio Carrino and Carme Armentano Oller and Carlos Rodriguez Penagos and Aitor Gonzalez Agirre and Marta Villegas},
   doi = {10.26342/2022-68-3},
   issn = {1135-5948},
   journal = {Procesamiento del Lenguaje Natural},
   keywords = {Artificial intelligence,Benchmarking,Data processing.,MarIA,Natural language processing,Spanish language modelling,Spanish language resources,Tractament del llenguatge natural (Informàtica),Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Llenguatge natural},
   publisher = {Sociedad Española para el Procesamiento del Lenguaje Natural},
   title = {MarIA: Spanish Language Models},
   volume = {68},
   url = {https://upcommons.upc.edu/handle/2117/367156#.YyMTB4X9A-0.mendeley},
   year = {2022},
}

免责声明

本仓库中发布的模型旨在用于通用目的，并可供第三方使用。这些模型可能存在偏差和/或其他不良扭曲。

当第三方使用这些模型（或使用基于这些模型的系统）部署或向其他方提供系统和/或服务，或成为模型的用户时，他们应注意，减轻使用这些模型带来的风险并遵守适用法规（包括有关人工智能使用的法规）是他们的责任。

在任何情况下，模型的所有者（SEDIA - 数字化与人工智能国务秘书处）和创建者（BSC - 巴塞罗那超级计算中心）均不对第三方使用这些模型所产生的任何结果负责。

Los modelos publicados en este repositorio tienen una finalidad generalista y están a disposición de terceros. Estos modelos pueden tener sesgos y/u otro tipo de distorsiones indeseables.

Cuando terceros desplieguen o proporcionen sistemas y/o servicios a otras partes usando alguno de estos modelos (o utilizando sistemas basados en estos modelos) o se conviertan en usuarios de los modelos, deben tener en cuenta que es su responsabilidad mitigar los riesgos derivados de su uso y, en todo caso, cumplir con la normativa aplicable, incluyendo la normativa en materia de uso de inteligencia artificial.

En ningún caso el propietario de los modelos (SEDIA – Secretaría de Estado de Digitalización e Inteligencia Artificial) ni el creador (BSC – Barcelona Supercomputing Center) serán responsables de los resultados derivados del uso que hagan terceros de estos modelos.

信息表格