许可证: cc-by-4.0 数据集:

• wikiann 语言:
• pl 管道标签: token-classification 小部件:
• 文本: "我叫Grzegorz Brzęszczyszczykiewicz，来自Chrząszczyżewoszczyc，在Łękołodzki县办公室工作"
• 文本: "我是Krzysiek，在体育部工作"
• 文本: "她叫Wiktoria，在克拉科夫AGH工作" 模型索引:
• 名称: herbert-base-ner 结果:
  • 任务: 名称: 标记分类 类型: token-classification 数据集: 名称: wikiann 类型: wikiann 配置: pl 分割: test 参数: pl 指标:
    • 名称: 精确度 类型: precision 值: 0.8857142857142857
    • 名称: 召回率 类型: recall 值: 0.9070532179048386
    • 名称: F1分数 类型: f1 值: 0.896256755412619
    • 名称: 准确率 类型: accuracy 值: 0.9581463871961428

herbert-base-ner

模型描述

herbert-base-ner 是一个经过微调的HerBERT模型，可用于命名实体识别。 它经过训练可以识别三种类型的实体：人物（PER）、地点（LOC）和组织（ORG）。

具体来说，该模型是基于allegro/herbert-base-cased模型，并在wikiann数据集的波兰语子集上进行了微调。

使用方法

您可以使用Transformers的pipeline进行NER任务。

from transformers import AutoTokenizer, AutoModelForTokenClassification
from transformers import pipeline

model_checkpoint = "pczarnik/herbert-base-ner"
tokenizer = AutoTokenizer.from_pretrained(model_checkpoint)
model = AutoModelForTokenClassification.from_pretrained(model_checkpoint)

nlp = pipeline("ner", model=model, tokenizer=tokenizer)
example = "我叫Grzegorz Brzęszczyszczykiewicz，来自"\
    "Chrząszczyżewoszczyc，在Łękołodzki县办公室工作"

ner_results = nlp(example)
print(ner_results)

[{'entity': 'B-PER', 'score': 0.99451494, 'index': 4, 'word': 'Grzegorz</w>', 'start': 12, 'end': 20},
 {'entity': 'I-PER', 'score': 0.99758506, 'index': 5, 'word': 'B', 'start': 21, 'end': 22},
 {'entity': 'I-PER', 'score': 0.99749386, 'index': 6, 'word': 'rzę', 'start': 22, 'end': 25},
 {'entity': 'I-PER', 'score': 0.9973041, 'index': 7, 'word': 'szczy', 'start': 25, 'end': 30},
 {'entity': 'I-PER', 'score': 0.99682057, 'index': 8, 'word': 'szczy', 'start': 30, 'end': 35},
 {'entity': 'I-PER', 'score': 0.9964832, 'index': 9, 'word': 'kiewicz</w>', 'start': 35, 'end': 42},
 {'entity': 'B-LOC', 'score': 0.99427444, 'index': 14, 'word': 'Chrzą', 'start': 55, 'end': 60},
 {'entity': 'I-LOC', 'score': 0.99143463, 'index': 15, 'word': 'szczy', 'start': 60, 'end': 65},
 {'entity': 'I-LOC', 'score': 0.9922201, 'index': 16, 'word': 'że', 'start': 65, 'end': 67},
 {'entity': 'I-LOC', 'score': 0.9918464, 'index': 17, 'word': 'wo', 'start': 67, 'end': 69},
 {'entity': 'I-LOC', 'score': 0.9900766, 'index': 18, 'word': 'szczy', 'start': 69, 'end': 74},
 {'entity': 'I-LOC', 'score': 0.98823845, 'index': 19, 'word': 'c</w>', 'start': 74, 'end': 75},
 {'entity': 'B-ORG', 'score': 0.6808262, 'index': 23, 'word': 'Łę', 'start': 87, 'end': 89},
 {'entity': 'I-ORG', 'score': 0.7763973, 'index': 24, 'word': 'ko', 'start': 89, 'end': 91},
 {'entity': 'I-ORG', 'score': 0.77731717, 'index': 25, 'word': 'ło', 'start': 91, 'end': 93},
 {'entity': 'I-ORG', 'score': 0.9108255, 'index': 26, 'word': 'dzkim</w>', 'start': 93, 'end': 98},
 {'entity': 'I-ORG', 'score': 0.98050755, 'index': 27, 'word': 'Urzędzie</w>', 'start': 99, 'end': 107},
 {'entity': 'I-ORG', 'score': 0.9789752, 'index': 28, 'word': 'Powiatowym</w>', 'start': 108, 'end': 118}]