使用BNE训练并在CAPITEL命名实体识别（NER）数据集上进行微调的RoBERTa-large西班牙语模型。

目录

• 模型描述
• 预期用途和局限性
• 如何使用
• 局限性和偏差
• 训练
• 训练
  • 训练数据
  • 训练过程
• 评估
• 评估
  • 变量和指标
  • 评估结果
• 其他信息
  • 作者
  • 联系信息
  • 版权
  • 许可信息
  • 资助
  • 引用信息
  • 免责声明

模型描述

roberta-large-bne-capitel-ner是用于西班牙语的命名实体识别（NER）模型，从 roberta-large-bne 模型进行微调，该模型是使用迄今为止最大的西班牙语语料库进行预训练的 RoBERTa 大型模型，总共包含570GB的干净且去重的文本，这些文本是通过 National Library of Spain (Biblioteca Nacional de España) 自2009年至2019年进行的网络爬虫处理而得到的。

预期用途和局限性

roberta-large-bne-capitel-ner模型可用于识别命名实体（NE）。该模型受其训练数据集的限制，可能无法对所有用例进行良好的泛化。

如何使用

from transformers import pipeline
from pprint import pprint

nlp = pipeline("ner", model="PlanTL-GOB-ES/roberta-large-bne-capitel-ner")
example = "Me llamo Francisco Javier y vivo en Madrid."

ner_results = nlp(example)
pprint(ner_results)

局限性和偏差

在提交时，还没有采取措施来估计模型中的偏差。然而，我们非常清楚，我们的模型可能存在偏差，因为语料库是使用多个网络源上的爬虫技术收集的。我们打算在未来开展这些领域的研究，如果完成，将更新此模型卡片。

训练

使用的数据集是来自 CAPITEL competition at IberLEF 2020 （子任务1）的数据集。

训练过程

模型的训练批次大小为32，学习率为3e-5，训练了5个epochs。然后，我们使用相应开发集中的下游任务指标选择最佳检查点，然后在测试集上进行评估。

评估

变量和指标

该模型的微调是通过最大化F1分数进行的。

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-large-bne-capitel-ner进行了评估：

更多详情，请查看官方 GitHub repository 的微调和评估脚本。

其他信息

作者

巴塞罗那超级计算中心（Barcelona Supercomputing Center）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

西班牙数字化和人工智能国家秘书处（SEDIA）版权所有（2022）

许可信息

Apache License, Version 2.0

资助

该工作得到西班牙数字化和人工智能国家秘书处（SEDIA）在“Plan-TL”框架内的资助。

引用信息

如果您使用此模型，请引用我们的 paper :

@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

此存储库中发布的模型供广泛使用，并可提供给第三方。这些模型可能存在偏差和/或其他不可取的失真。

当第三方使用任何这些模型（或使用基于这些模型的系统）提供系统和/或服务给其他方，或成为模型的用户时，他们应注意，他们有责任减轻使用过程中产生的风险，并且无论如何都必须遵守适用的法规，包括关于使用人工智能的法规。

模型所有者（SEDIA-数字化和人工智能国家秘书处）及创建者（BSC-巴塞罗那超级计算中心）对第三方使用这些模型产生的任何结果不承担责任。

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.