许可证: mit
语言:

• 乌兹别克语
  指标:
• 准确率
  任务标签: 令牌分类
  标签:
• 命名实体识别
• 乌兹别克语命名实体识别
• 乌兹别克语NER

乌兹别克语命名实体识别(NER)模型

模型简介

本模型专为乌兹别克语文本的命名实体识别(NER)设计，能够识别包括人名、地名、机构名、日期等多种命名实体类别。该模型基于XLM-RoBERTa large架构构建。

重要说明！！！

本模型基于NEWS数据集训练，主要针对新闻文本的NER识别具有较高准确率。

识别类别

模型可识别以下NER类别：

• LOC (地名)
• ORG (机构名)
• PERSON (人名)
• DATE (日期表达式)
• MONEY (货币金额)
• PERCENT (百分比值)
• QUANTITY (数量词)
• TIME (时间表达式)
• PRODUCT (产品名)
• EVENT (事件名)
• WORK_OF_ART (艺术品名称)
• LANGUAGE (语言名称)
• CARDINAL (基数词)
• ORDINAL (序数词)
• NORP (民族/宗教/政治团体)
• FACILITY (设施名称)
• LAW (法律法规)
• GPE (国家/城市/州)

示例演示

以下是模型使用示例：

from transformers import pipeline, AutoTokenizer, AutoModelForTokenClassification  

model_name_or_path = "risqaliyevds/xlm-roberta-large-ner"  
tokenizer = AutoTokenizer.from_pretrained(model_name_or_path)  
model = AutoModelForTokenClassification.from_pretrained(model_name_or_path).to("cuda")  

nlp = pipeline("ner", model=model, tokenizer=tokenizer)  

text = "Shavkat Mirziyoyev Rossiyada rasmiy safarda bo'ldi."  
ner = nlp(text)  

for entity in ner:  
    print(entity)  

示例文本："Shavkat Mirziyoyev Rossiyada rasmiy safarda bo'ldi."

输出结果：

[{'entity': 'B-PERSON', 'score': 0.88995147, 'index': 1, 'word': '▁Shavkat', 'start': 0, 'end': 7},  
 {'entity': 'I-PERSON', 'score': 0.980681, 'index': 2, 'word': '▁Mirziyoyev', 'start': 8, 'end': 18},  
 {'entity': 'B-GPE', 'score': 0.8208886, 'index': 3, 'word': '▁Rossiya', 'start': 19, 'end': 26}]  

模型加载与使用

通过Hugging Face平台下载和使用模型的代码如下：

from transformers import pipeline, AutoTokenizer, AutoModelForTokenClassification  

model_name_or_path = "risqaliyevds/xlm-roberta-large-ner"  

tokenizer = AutoTokenizer.from_pretrained(model_name_or_path)  
model = AutoModelForTokenClassification.from_pretrained(model_name_or_path).to("cuda")  

nlp = pipeline("ner", model=model, tokenizer=tokenizer)  

联系方式

如有疑问或需要更多信息，请联系我们。
领英: Riskaliev Murad

许可证

本模型为开源项目，所有用户均可免费使用。

结语

该乌兹别克语NER模型能有效识别文本中的各类命名实体，其高准确率和广泛的识别类别使其适用于学术研究、文档分析等多个领域。