语言:

• 英语 标签:
• 标点符号 许可证: MIT 数据集:
• yelp_polarity 评估指标:
• F1分数

✨ 标点符号恢复BERT模型

这是一个基于bert-base-uncased架构的模型，针对Yelp评论数据集进行了标点符号恢复的微调。

该模型可预测纯小写文本的标点符号及大写字母恢复，典型应用场景包括语音识别(ASR)输出文本或其他丢失标点符号的文本处理。

本模型可直接作为通用英语标点恢复工具使用，也可针对特定领域文本进行迁移学习以优化标点恢复效果。

模型支持恢复以下标点符号：[! ? . , - : ; ' ]

同时具备单词首字母大写恢复功能。

🚋 使用指南

快速启用模型的两种方式：

1. 首先安装依赖包

pip install rpunct

2. Python调用示例

from rpunct import RestorePuncts
# 默认支持英语
rpunct = RestorePuncts()
rpunct.punctuate("""2018年康奈尔大学研究人员建造了高功率探测器，结合名为ptychography的算法驱动流程，创造了将最先进电子显微镜分辨率提升三倍的世界纪录。虽然成功，但该方法存在局限——仅适用于几个原子厚度的超薄样本。更厚的样本会导致电子散射无法解析。如今，由工程学教授David Muller带领的团队再次突破，采用集成更复杂3D重建算法的电子显微镜像素阵列探测器(EMPAD)，将自身记录又提升两倍。其分辨率如此精确，仅剩的模糊效应来自原子自身的热振动。""")
# 输出将自动添加规范标点：
# 2018年，康奈尔大学研究人员建造了高功率探测器，结合名为Ptychography的算法驱动流程，创造了将最先进电子显微镜分辨率提升三倍的世界纪录。虽然成功，但该方法存在局限——仅适用于几个原子厚度的超薄样本。更厚的样本会导致电子散射无法解析。如今，由工程学教授David Muller带领的团队再次突破，采用集成更复杂3D重建算法的电子显微镜像素阵列探测器(EMPAD)，将自身记录又提升两倍。其分辨率如此精确，仅剩的模糊效应来自原子自身的热振动。

本模型支持任意长度英文文本处理，并自动启用GPU加速。

📡 训练数据

微调使用的商品评论数据量统计：

经测试模型在**3个训练周期**达到最佳收敛效果，当前发布版本即基于此训练结果。

🎯 准确率

在45,990份保留测试集上的评估结果：

各标签详细性能指标：

☕ 联系方式

如有疑问、反馈或类似模型需求，请联系Daulet Nurmanbetov。