语言:

• 英文 缩略图: 用于社交分享的缩略图链接 标签:
• 地名识别
• 语言模型
• 地理空间理解
• 地理语言模型 许可证: CC-BY-NC-2.0 数据集:
• GeoWebNews 评估指标:
• F1分数 流水线标签: 标记分类 示例:
• 文本: >- 明尼阿波利斯，正式名称为明尼阿波利斯市，是明尼苏达州的一个城市，也是亨内平县的首府。根据2020年的人口普查，人口为429,954人，使其成为明尼苏达州最大的城市和美国第46大人口最多的城市。绰号为“湖泊之城”的明尼阿波利斯水资源丰富，拥有十三个湖泊、湿地、密西西比河、小溪和瀑布。
• 文本: >- 洛杉矶，常以其缩写L.A.称呼，是加利福尼亚州人口最多的城市，也是美国人口最多的州。它是南加州的商业、金融和文化中心。截至2020年，洛杉矶是美国仅次于纽约市的第二人口最多的城市，市区内约有390万居民。

GeoLM地名识别模型卡片

一个用于从句子中检测地名（即地点名称）的语言模型。我们在全球范围的OpenStreetMap（OSM）、WikiData和Wikipedia数据上预训练GeoLM模型，然后在GeoWebNews数据集上微调以进行地名识别任务。

模型详情

模型描述

在全球范围的OpenStreetMap（OSM）、WikiData和Wikipedia数据上预训练GeoLM模型，然后在GeoWebNews数据集上微调以进行地名识别任务。

• 模型类型: 用于地理空间理解的语言模型
• 语言（自然语言处理）: 英文
• 许可证: CC-BY-NC-2.0
• 父模型: https://huggingface.co/zekun-li/geolm-base-cased

用途

这是一个用于地名检测任务的微调GeoLM模型。输入是句子，输出是检测到的地名。

使用此模型，请参考以下代码。

• 选项1: 将权重加载到BERT模型（与右侧面板演示相同的过程）

import torch
from transformers import AutoModelForTokenClassification, AutoTokenizer

# Hugging Face模型中心的模型名称
model_name = "zekun-li/geolm-base-toponym-recognition"

# 加载分词器和模型
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForTokenClassification.from_pretrained(model_name)

# 示例输入句子
input_sentence = "明尼阿波利斯，正式名称为明尼阿波利斯市，是明尼苏达州的一个城市，也是亨内平县的首府。"

# 分词输入句子
tokens = tokenizer.encode(input_sentence, return_tensors="pt")

# 将分词输入模型
outputs = model(tokens) 

# 检索每个分词的预测标签
predicted_labels = torch.argmax(outputs.logits, dim=2)

predicted_labels = predicted_labels.detach().cpu().numpy()

# 解码预测标签
predicted_labels = [model.config.id2label[label] for label in predicted_labels[0]]

# 打印预测标签
print(predicted_labels)
# ['O', 'B-Topo', 'O', 'O', 'O', 'O', 'O', 'B-Topo', 'O', 'O', 'O', 'O', 'O', 'O',
# 'O', 'O', 'B-Topo', 'O', 'O', 'O', 'O', 'O', 'B-Topo', 'I-Topo', 'I-Topo', 'O', 'O', 'O']

• 选项2: 将权重加载到GeoLM模型

即将推出

训练详情

训练数据

GeoWebNews（感谢Gritta等人）

下载链接: https://github.com/milangritta/Pragmatic-Guide-to-Geoparsing-Evaluation/blob/master/data/GWN.xml

训练过程

速度、大小、时间

需要更多信息

评估

测试数据、指标和结果

测试数据

需要更多信息

指标

需要更多信息

结果

需要更多信息

技术规格 [可选]

模型架构和目标

需要更多信息

计算基础设施

需要更多信息

偏见、风险和限制

大量研究探讨了语言模型的偏见和公平性问题（参见，例如，Sheng等人（2021）和Bender等人（2021））。模型生成的预测可能包括针对受保护类别、身份特征以及敏感、社会和职业群体的令人不安和有害的刻板印象。

引用

BibTeX:

需要更多信息

APA:

需要更多信息

模型卡片作者 [可选]