语言:

• 英文 标签:
• 标点符号 许可证: MIT 数据集:
• yelp_polarity 评估指标:
• F1值

✨ 伯特标点恢复模型

这是一个基于bert-base-uncased架构的模型，专为Yelp评论数据集的标点恢复任务微调而成。

该模型能预测纯小写文本的标点符号及大小写恢复，典型应用场景包括语音识别(ASR)输出文本，或其他丢失标点的文本处理。

本模型可直接用作通用英语的标点恢复工具，也可基于领域特定文本进行二次微调以适配专业场景。

模型支持恢复以下标点符号：[! ? . , - : ; ' ]

同时具备单词首字母大写恢复功能。

🚀 使用指南

快速启用步骤：

1. 首先安装工具包

pip install rpunct

2. Python调用示例

from rpunct import RestorePuncts
# 默认支持英语
rpunct = RestorePuncts()
rpunct.punctuate("""2018年康奈尔研究人员建造了高功率检测器结合称为叠层成像的算法驱动流程创造了通过将最先进电子显微镜分辨率提升三倍的世界纪录虽然成功但该方法存在局限仅适用于几个原子厚度的超薄样品更厚的材料会导致电子散射无法解析如今由工程学教授David Muller带领的团队使用集成更复杂3D重建算法的电子显微镜像素阵列检测器(EMPAD)将记录再次刷新两倍分辨率精细到仅剩原子自身热振动造成的模糊""")
# 输出效果：
# 2018年，康奈尔研究人员建造了高功率检测器，结合称为叠层成像的算法驱动流程，创造了通过将最先进电子显微镜分辨率提升三倍的世界纪录。虽然成功，但该方法存在局限，仅适用于几个原子厚度的超薄样品。更厚的材料会导致电子散射无法解析。如今，由工程学教授David Muller带领的团队，使用集成更复杂3D重建算法的电子显微镜像素阵列检测器(EMPAD)，将记录再次刷新两倍。分辨率精细到仅剩原子自身热振动造成的模糊。

本模型支持任意长度英文文本处理，并自动启用GPU加速

📊 训练数据

微调使用的商品评论数据量统计：

实验发现约_3个训练周期_达到最佳收敛效果，当前发布版本即采用该配置。

🎯 准确率

在45,990份保留测试集上的评估结果：

各标签详细性能指标：

☎️ 联系方式

如有疑问、反馈或类似模型需求，请联系Daulet Nurmanbetov。