英文

FastPDN

FastPolDeepNer是一个用于命名实体识别的模型,旨在实现易用性、训练性和配置性。该项目的前身是 PolDeepNer2 。该模型实现了一个由数据处理和训练组成的管道,使用的工具包括:hydra、pytorch、pytorch-lightning和transformers。

源代码: https://gitlab.clarin-pl.eu/grupa-wieszcz/ner/fast-pdn

如何使用

以下是如何使用此模型来获取文本中的命名实体:

from transformers import pipeline
ner = pipeline('ner', model='clarin-pl/FastPDN', aggregation_strategy='simple')

text = "Nazywam się Jan Kowalski i mieszkam we Wrocławiu."
ner_results = ner(text)
for output in ner_results:
    print(output)

{'entity_group': 'nam_liv_person', 'score': 0.9996054, 'word': 'Jan Kowalski', 'start': 12, 'end': 24}
{'entity_group': 'nam_loc_gpe_city', 'score': 0.998931, 'word': 'Wrocławiu', 'start': 39, 'end': 48}

以下是如何使用此模型来获取文本中每个标记的logits:

from transformers import AutoTokenizer, AutoModelForTokenClassification

tokenizer = AutoTokenizer.from_pretrained("clarin-pl/FastPDN")
model = AutoModelForTokenClassification.from_pretrained("clarin-pl/FastPDN")

text = "Nazywam się Jan Kowalski i mieszkam we Wrocławiu."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

训练数据

FastPDN模型是使用kpwr和cen数据集的82类版本进行训练的。标注指南详见 here

预训练

FastPDN模型经过了微调,感谢预训练模型:

评估

在cen_n82和kpwr_n82上运行的训练结果:

name test/f1 test/pdn2_f1 test/acc test/precision test/recall
distiluse 0.53 0.61 0.95 0.55 0.54
herbert 0.68 0.78 0.97 0.7 0.69

作者

  • Grupa Wieszcze CLARIN-PL
  • Wiktor Walentynowicz

联系方式

  • Norbert Ropiak(norbert.ropiak@pwr.edu.pl)