language: zh

RobertaNER

该模型针对命名实体识别（NER）任务进行了微调，训练数据来自混合NER数据集，包括ARMAN、PEYMA和WikiANN，涵盖十种实体类型：

• 日期（DAT）
• 事件（EVE）
• 设施（FAC）
• 地点（LOC）
• 货币（MON）
• 组织（ORG）
• 百分比（PCT）
• 人名（PER）
• 产品（PRO）
• 时间（TIM）

数据集信息

评估结果

以下表格总结了模型整体及各类别的得分情况。

整体表现

各类别表现

使用方法

可通过Transformers的NER管道使用该模型。

安装依赖

pip install transformers

使用管道进行预测

from transformers import AutoTokenizer
from transformers import AutoModelForTokenClassification  # PyTorch版本
from transformers import TFAutoModelForTokenClassification  # TensorFlow版本
from transformers import pipeline


模型路径 = "HooshvareLab/roberta-fa-zwnj-base-ner" 
分词器 = AutoTokenizer.from_pretrained(模型路径)
模型 = AutoModelForTokenClassification.from_pretrained(模型路径)  # PyTorch
# 模型 = TFAutoModelForTokenClassification.from_pretrained(模型路径)  # TensorFlow

自然语言处理管道 = pipeline("ner", model=模型, tokenizer=分词器)
示例文本 = "در سال ۲۰۱۳ درگذشت و آندرتیکر و کین برای او مراسم یادبود گرفتند."

实体识别结果 = 自然语言处理管道(示例文本)
print(实体识别结果)

问题反馈？

请在ParsNER Issues仓库提交GitHub issue。