Roberta Large NER

🚀 xlm-roberta-large-finetuned-conll03-english

这是一个基于XLM - RoBERTa-large模型，使用英文conll2003数据集微调的多语言语言模型，可用于分词分类等自然语言处理任务。

🚀 快速开始

使用以下代码开始使用该模型。你可以直接在命名实体识别（NER）的管道中使用此模型。

>>> from transformers import AutoTokenizer, AutoModelForTokenClassification
>>> from transformers import pipeline
>>> tokenizer = AutoTokenizer.from_pretrained("xlm-roberta-large-finetuned-conll03-english")
>>> model = AutoModelForTokenClassification.from_pretrained("xlm-roberta-large-finetuned-conll03-english")
>>> classifier = pipeline("ner", model=model, tokenizer=tokenizer)
>>> classifier("Hello I'm Omar and I live in Zürich.")

[{'end': 14,
  'entity': 'I-PER',
  'index': 5,
  'score': 0.9999175,
  'start': 10,
  'word': '▁Omar'},
 {'end': 35,
  'entity': 'I-LOC',
  'index': 10,
  'score': 0.9999906,
  'start': 29,
  'word': '▁Zürich'}]

✨ 主要特性

• 基于Facebook 2019年发布的RoBERTa模型，是一个大型多语言语言模型。
• 在2.5TB经过过滤的CommonCrawl数据上进行训练。
• 以XLM - RoBERTa-large为基础，使用英文conll2003数据集进行微调。

📚 详细文档

模型详情

模型描述

XLM - RoBERTa模型由Alexis Conneau、Kartikay Khandelwal、Naman Goyal、Vishrav Chaudhary、Guillaume Wenzek、Francisco Guzmán、Edouard Grave、Myle Ott、Luke Zettlemoyer和Veselin Stoyanov在论文Unsupervised Cross - lingual Representation Learning at Scale中提出。它基于Facebook 2019年发布的RoBERTa模型，是一个大型多语言语言模型，在2.5TB经过过滤的CommonCrawl数据上进行训练。此模型是XLM - RoBERTa-large使用英文conll2003数据集微调后的版本。

• 开发者：详见相关论文
• 模型类型：多语言语言模型
• 语言（NLP）或国家（图像）：XLM - RoBERTa是一个在100种不同语言上训练的多语言模型；完整列表见GitHub仓库；该模型在英文数据集上进行了微调
• 许可证：需更多信息
• 相关模型：RoBERTa，XLM
  • 父模型：XLM - RoBERTa-large
• 更多信息资源：
  • GitHub仓库
  • 相关论文

用途

直接使用

该模型是一个语言模型，可用于分词分类，这是一种自然语言理解任务，为文本中的某些分词分配标签。

下游使用

潜在的下游用例包括命名实体识别（NER）和词性标注（PoS）。要了解更多关于分词分类和其他潜在下游用例的信息，请参阅Hugging Face的分词分类文档。

超出范围的使用

该模型不应被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

⚠️ 重要提示

读者应该意识到，此模型生成的语言可能会让一些人感到不安或冒犯，并且可能会传播历史和当前的刻板印象。

大量研究已经探讨了语言模型的偏差和公平性问题（例如，见Sheng等人（2021）和Bender等人（2021））。在与该模型相关的任务背景下，Mishra等人（2020）探讨了英文NER系统中的社会偏差，发现现有的NER系统存在系统性偏差，即它们无法识别不同人口群体的命名实体（尽管该论文未涉及BERT）。例如，使用Mishra等人（2020）中的一个示例句子：

>>> from transformers import pipeline
>>> tokenizer = AutoTokenizer.from_pretrained("xlm-roberta-large-finetuned-conll03-english")
>>> model = AutoModelForTokenClassification.from_pretrained("xlm-roberta-large-finetuned-conll03-english")
>>> classifier = pipeline("ner", model=model, tokenizer=tokenizer)
>>> classifier("Alya told Jasmine that Andrew could pay with cash..")
[{'end': 2,
  'entity': 'I-PER',
  'index': 1,
  'score': 0.9997861,
  'start': 0,
  'word': '▁Al'},
 {'end': 4,
  'entity': 'I-PER',
  'index': 2,
  'score': 0.9998591,
  'start': 2,
  'word': 'ya'},
 {'end': 16,
  'entity': 'I-PER',
  'index': 4,
  'score': 0.99995816,
  'start': 10,
  'word': '▁Jasmin'},
 {'end': 17,
  'entity': 'I-PER',
  'index': 5,
  'score': 0.9999584,
  'start': 16,
  'word': 'e'},
 {'end': 29,
  'entity': 'I-PER',
  'index': 7,
  'score': 0.99998057,
  'start': 23,
  'word': '▁Andrew'}]

建议

用户（直接用户和下游用户）应该了解该模型的风险、偏差和局限性。

训练

有关训练数据和训练过程的详细信息，请参阅以下资源：

• XLM - RoBERTa-large模型卡片
• CoNLL - 2003数据卡片
• 相关论文

评估

有关评估的详细信息，请参阅相关论文。

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。

技术规格

更多详细信息请参阅相关论文。

引用

BibTeX：

@article{conneau2019unsupervised,
  title={Unsupervised Cross-lingual Representation Learning at Scale},
  author={Conneau, Alexis and Khandelwal, Kartikay and Goyal, Naman and Chaudhary, Vishrav and Wenzek, Guillaume and Guzm{\'a}n, Francisco and Grave, Edouard and Ott, Myle and Zettlemoyer, Luke and Stoyanov, Veselin},
  journal={arXiv preprint arXiv:1911.02116},
  year={2019}
}

APA：

• Conneau, A., Khandelwal, K., Goyal, N., Chaudhary, V., Wenzek, G., Guzmán, F., ... & Stoyanov, V. (2019). Unsupervised cross-lingual representation learning at scale. arXiv preprint arXiv:1911.02116.

模型卡片作者

此模型卡片由Hugging Face团队编写。