模型介绍
内容详情
替代品
模型简介
该模型是针对葡萄牙语文本的命名实体识别任务优化的BERT模型,在lener_br数据集上表现出色,适用于法律领域的实体识别任务。
模型特点
高精度葡萄牙语NER
在lener_br测试集上达到98.41%的准确率和98.91%的F1值
基于BERTimbau大模型
使用neuralmind/bert-large-portuguese-cased作为基础模型,针对葡萄牙语优化
法律领域优化
在lener_br法律文本数据集上微调,适合法律文档处理
模型能力
葡萄牙语文本处理
命名实体识别
法律文本分析
使用案例
法律文档处理
法律文书实体提取
从葡萄牙语法律文书中识别人员、组织、地点等实体
测试集F1值达98.91%
合同分析
自动识别合同中的关键实体信息
语言:
- 葡萄牙语(pt) 许可证: mit 标签:
- 训练生成 数据集:
- lener_br 评估指标:
- 精确率
- 召回率
- F1值
- 准确率 模型索引:
- 名称: bertimbau-large-lener_br
结果:
- 任务: 名称: 标记分类 类型: token-classification 数据集: 名称: lener_br 类型: lener_br 参数: lener_br 指标: 名称: 准确率 类型: accuracy 值: 0.9801301293674859 基础模型: neuralmind/bert-large-portuguese-cased 模型索引:
- 名称: Luciano/bertimbau-large-lener_br
结果:
- 任务:
类型: 标记分类
名称: Token Classification
数据集:
名称: lener_br
类型: lener_br
配置: lener_br
拆分: test
指标:
- 类型: accuracy 值: 0.9840898731012984 名称: 准确率 已验证: true 验证令牌: eyJhbGciOiJFZERTQSIsInR5cCI6IkpXVCJ9.eyJoYXNoIjoiNTcwYjYxOGIzOGEwNjc4NzdkZjJjNGJhYTkzOTY4NmM5MWU0YjIxN2EwNmI4M2E0ZDkwYjUzYTk1NzYwOWYwNyIsInZlcnNpb24iOjF9.AZ4Xkl2_oUMeUxmB-Me7pdDwvQj6Y-6W2KvH6_5mkKuVnT551ffAtBbj8H9ruDvqE4aTlIT0eqrkgHUgcHP1Bg
- 类型: precision 值: 0.9895415357344292 名称: 精确率 已验证: true 验证令牌: eyJhbGciOiJFZERTQSIsInR5cCI6IkpXVCJ9.eyJoYXNoIjoiOTBhMjRmNDZlMGRiZDJhNjg0ZWVhNzQzMzYzMTQ4MDY2ODEwNzcwYTgwYmEyZDExZmI0OWQ0N2Q5NzdjZDM2OCIsInZlcnNpb24iOjF9.50xubvWSuT0EDjsj-Ox0dFvsmsFQhCDojB15PzynBJBd2PsLOG2eKqWdFYV1iXNnOTum3xCFGKKSE8dvyK6GBQ
- 类型: recall 值: 0.9885856878370763 名称: 召回率 已验证: true 验证令牌: eyJhbGciOiJFZERTQSIsInR5cCI6IkpXVCJ9.eyJoYXNoIjoiNTA4NzRkMzIwYzdhNmRlODg1YjI3MzA5NmQ5Yjk3NzMzZmQ4MDJjMWRlYzQ1NWNkZjA0MGQ2OTBiMWVlYjdiOCIsInZlcnNpb24iOjF9.5L9WHAEZIiM_rXqIu2kEVU-7Hed3oEi5IO_ulcEDJO-r4KQVXS9X4Rat5FSAjdWSRV_vnvM9Nc7LiOh738WzBA
- 类型: f1 值: 0.9890633808488363 名称: F1值 已验证: true 验证令牌: eyJhbGciOiJFZERTQSIsInR5cCI6IkpXVCJ9.eyJoYXNoIjoiZjIzYzllZWFjZmExN2Q2NDM4ZWY3YjMxZDNiZWFjNzU0ODcwYTBkNTU0ZWExYzM3YjI2MjQ4MTMxOTM5ODdhMyIsInZlcnNpb24iOjF9.tTxenqEcrfQMSbo53mewRPc4oDectJEKfzZyj_mChtQ-K41miMd1n_gNCT-zdT3u1wb5cc7nwgP-Mggo4Q6MAQ
- 类型: loss 值: 0.10151929408311844 名称: 损失 已验证: true 验证令牌: eyJhbGciOiJFZERTQSIsInR5cCI6IkpXVCJ9.eyJoYXNoIjoiYmZkM2YzZmJmOGY0MDI0YzI0ZGQyYWM0YTU1YWQ3NDI3M2UxZjU3NjM0MzljODMwMTAyYzU4YWNmZTRhNGM3ZSIsInZlcnNpb24iOjF9.dF2SD2-HEHepUpbmgrndTM42MQ1mtMuuTgwqyv0cO_ZHlqRRQfyZtgLMlf8_5DwpPRKw_F3wwXLRETbL-5LJCw
- 任务:
类型: token-classification
名称: Token Classification
数据集:
名称: lener_br
类型: lener_br
配置: lener_br
拆分: validation
指标:
- 类型: accuracy 值: 0.9801301293674859 名称: 准确率 已验证: true 验证令牌: eyJhbGciOiJFZERTQSIsInR5cCI6IkpXVCJ9.eyJoYXNoIjoiYWY1M2Q5YzIxYzQ3NTU5YzQyMjUwNWY3MWNkMjJlMGM2YzkwMTdhZGM3NmYxZmVjZDc1N2NkMjBhNDEwMzIyOCIsInZlcnNpb24iOjF9.Mtp2ZBdksTfCQJEFiyLt4pILPH7RE8CXodYNcL8ydc7lTTwn5PiGdnglA7GJcd9HqxOU8UsVyaGzxFkjZGkGDw
- 类型: precision 值: 0.9864285473144053 名称: 精确率 已验证: true 验证令牌: eyJhbGciOiJFZERTQSIsInR5cCI6IkpXVCJ9.eyJoYXNoIjoiMzc1M2NjNTFhNjZiNDU5NzQyZDYzOWViNGFhNzdlMGU4ODNhNDMxMWE1ZjIwZGIzOTIxNDAxZDcwNDM2MGNjYiIsInZlcnNpb24iOjF9.59674wBNKLrL5DC1vfPdEzpCiXRnhilpvnylmzkvLmBrJrZdy-rTP4AXir62BoUEyEZ6zMPRRNOYI9fduwfnBQ
- 类型: recall 值: 0.9845505854603656 名称: 召回率 已验证: true 验证令牌: eyJhbGciOiJFZERTQSIsInR5cCI6IkpXVCJ9.eyJoYXNoIjoiMDc4YjVlYmQ1ZjllNzU3M2ZkN2QxNzI1MGZhMzhkMDNmMjNjODM3NGMzYzY2OGM1NGJmMDA4ZGUwM2RkMGY5MyIsInZlcnNpb24iOjF9.tYvf8mJ0XUmH3mZ0NIMdrXY5a93-2H9u5Ak6heCMBpmHhvgL8k_9y25cRmLeWoh9apsCIS6lQDpHlsJBXdhGDg
- 类型: f1 值: 0.9854886717201953 名称: F1值 已验证: true 验证令牌: eyJhbGciOiJFZERTQSIsInR5cCI6IkpXVCJ9.eyJoYXNoIjoiMGY4YmJjYzkyNzU1ZDQ3MWFmZTY4MWU1OTg4NTRmOTIwM2I3NzdkYWI2YmNlYjdjODQyMmE2N2M5MDQ5MDEyYiIsInZlcnNpb24iOjF9.FxRrhWWfyA-oIXb5zzHO3-VboU6iFcnRc_kVPgLaOcyk8p5jIfV-egDHrql6e-h-6iS8xTDFV8fxIoq-kboRDQ
- 类型: loss 值: 0.11984097212553024 名称: 损失 已验证: true 验证令牌: eyJhbGciOiJFZERTQSIsInR5cCI6IkpXVCJ9.eyJoYXNoIjoiZGE2NzM4MjE1MmU1ZTU4ZTU1NjAyYzk2YzdlNTUxOTAyZjdiMTkxYmZlMzExYmUwOTRhMTA3NzcwYWM2NzgxMiIsInZlcnNpb24iOjF9.PAlnc-tkJ7DEp9-qIR7KpYK9Yzy-umlhwKMH8bq1p-Gxf5pSIL_AtG8eP-JrbH71pJLYaBxSeeRHXWhIT-jBBA
- 任务:
类型: token-classification
名称: Token Classification
数据集:
名称: lener_br
类型: lener_br
配置: lener_br
拆分: train
指标:
- 类型: accuracy 值: 0.9989004979420315 名称: 准确率 已验证: true 验证令牌: eyJhbGciOiJFZERTQSIsInR5cCI6IkpXVCJ9.eyJoYXNoIjoiZTMwYWI4ZDdiZmNkYWYzNDNhZWI4MmNhNDE5MjRmMjRjYTZjYjI1YTllMzMyMDMxMTBmN2YwN2QxMmE3Y2ViYyIsInZlcnNpb24iOjF9.yihlFpU8AYKMsa4f_7P2J-JYifENGVm0nXGwKcvOV_axvv-Gj-Q-E93j0sHnb3TXTpTlJBgQ0ckBDh4Sohq3AQ
- 类型: precision 值: 0.9991129612205654 名称: 精确率 已验证: true 验证令牌: eyJhbGciOiJFZERTQSIsInR5cCI6IkpXVCJ9.eyJoYXNoIjoiYzM3MTQ3ODU3MzBiY2RmNGVhMmQ2YTUzODlkZTk1M2EyOGU4Y2I5ZDI0ZGI5YWQ1YWQ4NDE2NGI1ZjYxNTM1YSIsInZlcnNpb24iOjF9.nnTSkmuvHdYFhXUofIEtjIaEveJCBlMrlmwSwRLojcXYvoaZWNFkWI8wSkQP0iDdDhKuEaZYkRc4kJ-Xd4_TCw
- 类型: recall 值: 0.9993219071519783 名称: 召回率 已验证: true 验证令牌: eyJhbGciOiJFZERTQSIsInR5cCI6IkpXVCJ9.eyJoYXNoIjoiYTA1NGMzOGMwMWQ3Yzk0ZmY4YmYxZjVjODQwMDA1ZjgxNjQ2Y2IxMmIxYWJjOTJhOGQ2NjRlOTRjOTkzYjkwMyIsInZlcnNpb24iOjF9.2YuShB7RWqO6WeR9RCePUcDPv-Ho-6pYeFXmmnnYmW88BRN5jHSrJTWPXMxigVRPBHjU5LlE8j2EK3-IsNviCQ
- 类型: f1 值: 0.9992174232631231 名称: F1值 已验证: true 验证令牌: eyJhbGciOiJFZERTQSIsInR5cCI6IkpXVCJ9.eyJoYXNoIjoiMTE2YmMzMTI3MzQ5MTRmZGQ3NTdhODc3ZGI0MjIyOWMzZTc1MGQ4ZjVkY2JhYjYyM2I1NmI2MWI1OTZkYjViMyIsInZlcnNpb24iOjF9.TJkpCVwoTHFSwD8ckgn1dvD-H5HscuFmtsjEFYNVDZPnfm2PN7b45vZxNvWiK7L6ZVFW2fXbwgNJmMapuoeMCw
- 类型: loss 值: 0.0037613145541399717 名称: 损失 已验证: true 验证令牌: eyJhbGciOiJFZERTQSIsInR5cCI6IkpXVCJ9.eyJoYXNoIjoiZmUxYWU2ODFkOTQ4NjIyODQ1NTU0NDQ2ZjhmYjExZmE3ZDNkZDBjNmIwY2JlNGRlNGZhOGExMDQ1MjA5Nzk0MiIsInZlcnNpb24iOjF9.ES0Kzjz3vvY5HedqYQzZafOPzQSbdWIbsdmft136SqIwb_-rZe-qQ38lveUYuUArP7NHk0wgo3NIkC6LqIsVAw
- 任务:
类型: 标记分类
名称: Token Classification
数据集:
名称: lener_br
类型: lener_br
配置: lener_br
拆分: test
指标:
bertimbau-large-lener_br
该模型是基于neuralmind/bert-large-portuguese-cased在lener_br数据集上微调的版本。 在评估集上取得了以下结果:
- 损失: 0.1271
- 精确率: 0.8965
- 召回率: 0.9198
- F1值: 0.9080
- 准确率: 0.9801
模型描述
需要更多信息
预期用途与限制
需要更多信息
训练与评估数据
需要更多信息
训练过程
训练超参数
训练过程中使用了以下超参数:
- 学习率: 2e-05
- 训练批次大小: 4
- 评估批次大小: 4
- 随机种子: 42
- 优化器: Adam,参数β=(0.9,0.999),ε=1e-08
- 学习率调度器类型: linear
- 训练轮数: 15
训练结果
训练损失 | 轮次 | 步数 | 验证损失 | 精确率 | 召回率 | F1值 | 准确率 |
---|---|---|---|---|---|---|---|
0.0674 | 1.0 | 1957 | 0.1349 | 0.7617 | 0.8710 | 0.8127 | 0.9594 |
0.0443 | 2.0 | 3914 | 0.1867 | 0.6862 | 0.9194 | 0.7858 | 0.9575 |
0.0283 | 3.0 | 5871 | 0.1185 | 0.8206 | 0.8766 | 0.8477 | 0.9678 |
0.0226 | 4.0 | 7828 | 0.1405 | 0.8072 | 0.8978 | 0.8501 | 0.9708 |
0.0141 | 5.0 | 9785 | 0.1898 | 0.7224 | 0.9194 | 0.8090 | 0.9629 |
0.01 | 6.0 | 11742 | 0.1655 | 0.9062 | 0.8856 | 0.8958 | 0.9741 |
0.012 | 7.0 | 13699 | 0.1271 | 0.8965 | 0.9198 | 0.9080 | 0.9801 |
0.0091 | 8.0 | 15656 | 0.1919 | 0.8890 | 0.8886 | 0.8888 | 0.9719 |
0.0042 | 9.0 | 17613 | 0.1725 | 0.8977 | 0.8985 | 0.8981 | 0.9744 |
0.0043 | 10.0 | 19570 | 0.1530 | 0.8878 | 0.9034 | 0.8955 | 0.9761 |
0.0042 | 11.0 | 21527 | 0.1635 | 0.8792 | 0.9108 | 0.8947 | 0.9774 |
0.0033 | 12.0 | 23484 | 0.2009 | 0.8155 | 0.9138 | 0.8619 | 0.9719 |
0.0008 | 13.0 | 25441 | 0.1766 | 0.8737 | 0.9135 | 0.8932 | 0.9755 |
0.0005 | 14.0 | 27398 | 0.1868 | 0.8616 | 0.9129 | 0.8865 | 0.9743 |
0.0014 | 15.0 | 29355 | 0.1910 | 0.8694 | 0.9101 | 0.8893 | 0.9746 |
框架版本
- Transformers 4.8.2
- Pytorch 1.9.0+cu102
- Datasets 1.9.0
- Tokenizers 0.10.3
Indonesian Roberta Base Posp Tagger
MIT
这是一个基于印尼语RoBERTa模型微调的词性标注模型,在indonlu数据集上训练,用于印尼语文本的词性标注任务。
序列标注
Transformers

其他
I
w11wo
2.2M
7
Bert Base NER
MIT
基于BERT微调的命名实体识别模型,可识别四类实体:地点(LOC)、组织机构(ORG)、人名(PER)和杂项(MISC)
序列标注
英语
B
dslim
1.8M
592
Deid Roberta I2b2
MIT
该模型是基于RoBERTa微调的序列标注模型,用于识别和移除医疗记录中的受保护健康信息(PHI/PII)。
序列标注
Transformers

支持多种语言
D
obi
1.1M
33
Ner English Fast
Flair自带的英文快速4类命名实体识别模型,基于Flair嵌入和LSTM-CRF架构,在CoNLL-03数据集上达到92.92的F1分数。
序列标注
PyTorch
英语
N
flair
978.01k
24
French Camembert Postag Model
基于Camembert-base的法语词性标注模型,使用free-french-treebank数据集训练
序列标注
Transformers

法语
F
gilf
950.03k
9
Xlm Roberta Large Ner Spanish
基于XLM-Roberta-large架构微调的西班牙语命名实体识别模型,在CoNLL-2002数据集上表现优异。
序列标注
Transformers

西班牙语
X
MMG
767.35k
29
Nusabert Ner V1.3
MIT
基于NusaBert-v1.3在印尼语NER任务上微调的命名实体识别模型
序列标注
Transformers

其他
N
cahya
759.09k
3
Ner English Large
Flair框架内置的英文4类大型NER模型,基于文档级XLM-R嵌入和FLERT技术,在CoNLL-03数据集上F1分数达94.36。
序列标注
PyTorch
英语
N
flair
749.04k
44
Punctuate All
MIT
基于xlm-roberta-base微调的多语言标点符号预测模型,支持12种欧洲语言的标点符号自动补全
序列标注
Transformers

P
kredor
728.70k
20
Xlm Roberta Ner Japanese
MIT
基于xlm-roberta-base微调的日语命名实体识别模型
序列标注
Transformers

支持多种语言
X
tsmatz
630.71k
25
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers

支持多种语言
L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers

英语
C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统
中文
R
uer
2,694
98
AIbase是一个专注于MCP服务的平台,为AI开发者提供高质量的模型上下文协议服务,助力AI应用开发。
简体中文