数据集：

• tner/tweetner7 评估指标：
• f1值
• 精确率
• 召回率 模型索引：
• 名称：tner/twitter-roberta-base-dec2021-tweetner7-all 结果：
  • 任务： 名称：标记分类 类型：标记分类 数据集： 名称：tner/tweetner7 类型：tner/tweetner7 参数：tner/tweetner7 评估指标：
    • 名称：F1值（test_2021） 类型：f1 值：0.6447001005249637
    • 名称：精确率（test_2021） 类型：精确率 值：0.6234607906675308
    • 名称：召回率（test_2021） 类型：召回率 值：0.6674375578168362
    • 名称：宏F1值（test_2021） 类型：f1_macro 值：0.5982200308213212
    • 名称：宏精确率（test_2021） 类型：精确率_macro 值：0.576608821080324
    • 名称：宏召回率（test_2021） 类型：召回率_macro 值：0.622268182336741
    • 名称：实体跨度F1值（test_2021） 类型：f1_entity_span 值：0.7793353811784417
    • 名称：实体跨度精确率（test_2020） 类型：精确率_entity_span 值：0.7536184921149276
    • 名称：实体跨度召回率（test_2021） 类型：召回率_entity_span 值：0.8068694344859488
    • 名称：F1值（test_2020） 类型：f1 值：0.6582010582010582
    • 名称：精确率（test_2020） 类型：精确率 值：0.671343766864544
    • 名称：召回率（test_2020） 类型：召回率 值：0.6455630513751947
    • 名称：宏F1值（test_2020） 类型：f1_macro 值：0.619090119256277
    • 名称：宏精确率（test_2020） 类型：精确率_macro 值：0.6309214005692869
    • 名称：宏召回率（test_2020） 类型：召回率_macro 值：0.6088158080350003
    • 名称：实体跨度F1值（test_2020） 类型：f1_entity_span 值：0.7647525800476317
    • 名称：实体跨度精确率（test_2020） 类型：精确率_entity_span 值：0.7802375809935205
    • 名称：实体跨度召回率（test_2020） 类型：召回率_entity_span 值：0.7498702646600934

管道标签：标记分类 小部件：

• 文本："从{@herbiehancock@}通过{@bluenoterecords@}获取Takin' Off专辑的全模拟经典黑胶版本，链接如下：{{URL}}" 示例标题："NER示例1"

tner/twitter-roberta-base-dec2021-tweetner7-all

此模型是基于cardiffnlp/twitter-roberta-base-dec2021在tner/tweetner7数据集（train_all分割）上微调的版本。模型微调通过T-NER的超参数搜索完成（详情见仓库）。在2021年的测试集上，它取得了以下结果：

• F1（微观）：0.6447001005249637
• 精确率（微观）：0.6234607906675308
• 召回率（微观）：0.6674375578168362
• F1（宏观）：0.5982200308213212
• 精确率（宏观）：0.576608821080324
• 召回率（宏观）：0.622268182336741

测试集上各实体类别的F1分数细分如下：

• 公司：0.5048128342245989
• 创意作品：0.45297029702970293
• 事件：0.46761313220940554
• 团体：0.6009661835748793
• 地点：0.6592252133946159
• 人物：0.8302430243024302
• 产品：0.6717095310136157

对于F1分数，置信区间通过自助法获得如下：

• F1（微观）：
  • 90%：[0.6358921767926183, 0.6542958612061787]
  • 95%：[0.6341987223616053, 0.6560992650244356]
• F1（宏观）：
  • 90%：[0.6358921767926183, 0.6542958612061787]
  • 95%：[0.6341987223616053, 0.6560992650244356]

完整评估可在NER的评估指标文件和实体跨度的评估指标文件中找到。

使用方法

此模型可通过tner库使用。通过pip安装库。

pip install tner

TweetNER7预处理了推文，将账户名和URL转换为特殊格式（详见数据集页面），因此我们相应地处理推文，然后运行模型预测如下。

import re
from urlextract import URLExtract
from tner import TransformersNER

extractor = URLExtract()

def format_tweet(tweet):
    # 屏蔽网页URL
    urls = extractor.find_urls(tweet)
    for url in urls:
        tweet = tweet.replace(url, "{{URL}}")
    # 格式化推特账户
    tweet = re.sub(r"\b(\s*)(@[\S]+)\b", r'\1{\2@}', tweet)
    return tweet


text = "从@herbiehancock通过@bluenoterecords获取`Takin' Off`专辑的全模拟经典黑胶版本，链接如下：http://bluenote.lnk.to/AlbumOfTheWeek"
text_format = format_tweet(text)
model = TransformersNER("tner/twitter-roberta-base-dec2021-tweetner7-all")
model.predict([text_format])

也可以通过transformers库使用，但不推荐，因为目前不支持CRF层。

训练超参数

训练期间使用的超参数如下：

• 数据集：['tner/tweetner7']
• 数据集分割：train_all
• 数据集名称：无
• 本地数据集：无
• 模型：cardiffnlp/twitter-roberta-base-dec2021
• crf：是
• 最大长度：128
• 周期：30
• 批量大小：32
• 学习率：1e-05
• 随机种子：0
• 梯度累积步数：1
• 权重衰减：1e-07
• 学习率预热步比例：0.3
• 最大梯度范数：1

完整配置可在微调参数文件中找到。

参考文献

如果使用该模型，请引用T-NER论文和TweetNER7论文。

• T-NER

@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://aclanthology.org/2021.eacl-demos.7",
    doi = "10.18653/v1/2021.eacl-demos.7",
    pages = "53--62",
    abstract = "Language model (LM) pretraining has led to consistent improvements in many NLP downstream tasks, including named entity recognition (NER). In this paper, we present T-NER (Transformer-based Named Entity Recognition), a Python library for NER LM finetuning. In addition to its practical utility, T-NER facilitates the study and investigation of the cross-domain and cross-lingual generalization ability of LMs finetuned on NER. Our library also provides a web app where users can get model predictions interactively for arbitrary text, which facilitates qualitative model evaluation for non-expert programmers. We show the potential of the library by compiling nine public NER datasets into a unified format and evaluating the cross-domain and cross- lingual performance across the datasets. The results from our initial experiments show that in-domain performance is generally competitive across datasets. However, cross-domain generalization is challenging even with a large pretrained LM, which has nevertheless capacity to learn domain-specific features if fine- tuned on a combined dataset. To facilitate future research, we also release all our LM checkpoints via the Hugging Face model hub.",
}

• TweetNER7

@inproceedings{ushio-etal-2022-tweet,
    title = "{N}amed {E}ntity {R}ecognition in {T}witter: {A} {D}ataset and {A}nalysis on {S}hort-{T}erm {T}emporal {S}hifts",
    author = "Ushio, Asahi  and
        Neves, Leonardo  and
        Silva, Vitor  and
        Barbieri, Francesco. and
        Camacho-Collados, Jose",
    booktitle = "The 2nd Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics and the 12th International Joint Conference on Natural Language Processing",
    month = nov,
    year = "2022",
    address = "Online",
    publisher = "Association for Computational Linguistics",
}