许可证: mit
基础模型: xlm-roberta-base
标签:

• 训练器生成
• 命名实体识别(NER)
• 加密货币
  评估指标:
• F1值
  模型索引:
• 名称: xlm-roberta-base-finetuned-ner-crypto
  结果: []
  小部件示例:
• 文本:
  "难道我没告诉你$PROPHET是个不错的入场点吗？如果你已经进场——恭喜，Prophet过去两周上涨了90%，仅上周就涨了50%"
  管道标签: 令牌分类

加密货币命名实体识别模型

该模型是基于xlm-roberta-base在特定数据集上微调的版本，在评估集上取得以下结果：

• 损失值: 0.0058
• F1分数: 0.9970

模型描述

本模型是xlm-roberta-base的微调版本，专精于加密货币领域的命名实体识别(NER)。其优化方向是识别并分类文本中的加密货币代币符号(TICKER SYMBOL)、代币名称(NAME)以及区块链浏览器地址(blockscanner ADDRESS)等实体。

用途说明

主要设计用于加密货币领域的命名实体识别任务，该模型在识别和分类文本中的代币符号、代币名称和区块链地址方面表现优异。

局限性

当遇到训练数据之外或加密货币领域罕见实体时，模型表现可能欠佳。此外，实体表述方式和上下文的变化也可能影响模型识别效果。

训练与评估数据

训练使用了多样化数据集，包括：

• 通过GPT生成的500条加密货币主题合成推文
• 通过Covalent API(https://www.covalenthq.com/docs/unified-api/)获取的20,000+条独特ERC20代币元数据
  这些数据显著增强了模型对加密货币实体的理解识别能力。

训练流程

超参数配置

训练采用以下超参数：

• 学习率: 5e-05
• 训练批大小: 32
• 评估批大小: 32
• 随机种子: 42
• 优化器: Adam(betas=(0.9,0.999), epsilon=1e-08)
• 学习率调度器类型: 线性
• 训练轮次: 6

训练结果

框架版本

• Transformers 4.34.1
• Pytorch 2.1.0+cu118
• Datasets 2.14.6
• Tokenizers 0.14.1