Xlmr Lstm Crf Resume Ner2

由 hiendang7613 开发

该模型是基于xlm-roberta-base在特定数据集上微调的版本，主要用于命名实体识别任务。

序列标注

Transformers

开源协议:MIT #多语言实体识别 #简历信息抽取 #高精度NER

下载量 21

发布时间 : 11/20/2023

模型介绍

内容详情

替代品

模型简介

基于xlm-roberta-base微调的命名实体识别模型，在简历文本中识别特定实体类别。

模型特点

多语言支持

基于XLM-RoBERTa架构，具备多语言处理能力

高性能实体识别

在评估集上达到0.7431的F1分数

LSTM-CRF架构

结合LSTM的序列建模能力和CRF的标签约束优化

模型能力

命名实体识别

文本序列标注

多语言文本处理

使用案例

人力资源

简历信息提取

从简历文本中自动提取人名、职位、技能等实体信息

F1分数0.7431

信息抽取

文档结构化处理

将非结构化文档转换为结构化数据

license: mit base_model: xlm-roberta-base tags:

generated_from_trainer metrics:
precision
recall
f1
accuracy model-index:
name: xlmr-lstm-crf-resume-ner2 results: []

xlmr-lstm-crf-resume-ner2

该模型是基于xlm-roberta-base在特定数据集上微调的版本，其评估集表现如下：

损失值: 0.3688
精确率: 0.7289
召回率: 0.7578
F1分数: 0.7431
准确率: 0.9403

模型说明

需补充更多信息

使用场景与限制

需补充更多信息

训练与评估数据

需补充更多信息

训练流程

训练超参数

训练过程中使用的超参数如下：

学习率: 8e-05
训练批次大小: 64
评估批次大小: 64
随机种子: 42
优化器: Adam (beta1=0.9, beta2=0.999, epsilon=1e-08)
学习率调度器类型: 线性
训练轮次: 100
混合精度训练: 原生AMP

训练结果

训练损失	轮次	步数	验证损失	精确率	召回率	F1分数	准确率
2.6224	1.0	17	1.1537	0.9517	0.0367	0.0707	0.8445
1.0702	2.0	34	0.9869	0.0	0.0	0.0	0.8483
0.8288	3.0	51	0.6899	0.0287	0.0029	0.0053	0.8586
0.6586	4.0	68	0.5719	0.1512	0.0378	0.0605	0.8705
0.5433	5.0	85	0.4887	0.2649	0.0873	0.1313	0.8745
0.4696	6.0	102	0.4358	0.1852	0.0631	0.0941	0.8822
0.4114	7.0	119	0.3901	0.4455	0.3463	0.3897	0.8914
0.3631	8.0	136	0.3684	0.4111	0.3891	0.3998	0.9006
0.3239	9.0	153	0.3457	0.4668	0.4991	0.4824	0.9024
0.3047	10.0	170	0.3195	0.5824	0.4693	0.5198	0.9142
0.2775	11.0	187	0.3110	0.5384	0.5206	0.5294	0.9130
0.2518	12.0	204	0.3078	0.6492	0.4703	0.5455	0.9176
0.2362	13.0	221	0.3036	0.5136	0.5739	0.5420	0.9130
0.2174	14.0	238	0.2983	0.5499	0.6023	0.5749	0.9146
0.2037	15.0	255	0.2909	0.6167	0.5656	0.5900	0.9234
0.1842	16.0	272	0.3100	0.5866	0.6141	0.6000	0.9201
0.1706	17.0	289	0.2949	0.6067	0.6234	0.6149	0.9231
0.1648	18.0	306	0.2992	0.6047	0.6188	0.6117	0.9239
0.1485	19.0	323	0.2972	0.6012	0.6761	0.6364	0.9228
0.1381	20.0	340	0.2910	0.6372	0.6423	0.6397	0.9282
0.1259	21.0	357	0.2822	0.6575	0.6534	0.6555	0.9310
0.1178	22.0	374	0.3007	0.6297	0.6862	0.6567	0.9278
0.1123	23.0	391	0.2864	0.6537	0.6859	0.6694	0.9308
0.1017	24.0	408	0.2988	0.6924	0.6849	0.6886	0.9360
0.0961	25.0	425	0.3043	0.6219	0.7080	0.6622	0.9299
0.091	26.0	442	0.3092	0.6389	0.7298	0.6813	0.9293
0.0866	27.0	459	0.3121	0.6346	0.6806	0.6568	0.9278
0.0808	28.0	476	0.2988	0.7084	0.7040	0.7062	0.9376
0.0723	29.0	493	0.2962	0.6888	0.7112	0.6998	0.9372
0.0692	30.0	510	0.3080	0.6906	0.7248	0.7073	0.9365
0.0627	31.0	527	0.3178	0.6683	0.7077	0.6874	0.9342
0.0647	32.0	544	0.3044	0.7079	0.7211	0.7144	0.9380
0.0557	33.0	561	0.3157	0.7206	0.7200	0.7203	0.9382
0.0532	34.0	578	0.3220	0.6841	0.7501	0.7156	0.9371
0.0496	35.0	595	0.3206	0.6452	0.7565	0.6964	0.9314
0.0494	36.0	612	0.3203	0.6901	0.7533	0.7203	0.9376
0.0426	37.0	629	0.3348	0.7123	0.7408	0.7263	0.9374
0.0416	38.0	646	0.3317	0.7065	0.7389	0.7224	0.9376
0.0418	39.0	663	0.3323	0.7099	0.7378	0.7236	0.9379
0.0372	40.0	680	0.3322	0.7087	0.7543	0.7308	0.9383
0.0349	41.0	697	0.3295	0.7213	0.7261	0.7237	0.9381
0.0357	42.0	714	0.3474	0.7	0.7471	0.7228	0.9368
0.034	43.0	731	0.3342	0.7158	0.7554	0.7350	0.9384
0.0301	44.0	748	0.3417	0.7271	0.7423	0.7346	0.9397
0.0297	45.0	765	0.3416	0.7284	0.7501	0.7391	0.9397
0.0278	46.0	782	0.3583	0.7254	0.7567	0.7408	0.9403
0.0264	47.0	799	0.3515	0.7246	0.7583	0.7411	0.9405
0.0254	48.0	816	0.3544	0.7147	0.7628	0.7380	0.9405
0.0239	49.0	833	0.3555	0.7161	0.7706	0.7423	0.9392
0.0227	50.0	850	0.3611	0.7164	0.7687	0.7417	0.9400
0.023	51.0	867	0.3646	0.7080	0.7687	0.7371	0.9389
0.0217	52.0	884	0.3718	0.7344	0.7639	0.7489	0.9404
0.0214	53.0	901	0.3656	0.7137	0.7618	0.7370	0.9397
0.0197	54.0	918	0.3700	0.7060	0.7612	0.7326	0.9387
0.019	55.0	935	0.3764	0.7166	0.7762	0.7452	0.9401
0.0183	56.0	952	0.3688	0.7289	0.7578	0.7431	0.9403