注释创建者：

• 机器生成

语言创建者：

• 机器生成

示例：

• 文本：乔治·华盛顿去了华盛顿。
• 文本：北美洲第七高的山是什么？

标签：

• 命名实体识别
• 序列标注模型

数据集：

• Babelscape/cner

语言：

• 英语

显示名称：cner-model

源数据集：

• 原始数据

任务类别：

• 结构预测

任务ID：

• 命名实体识别

CNER：概念与命名实体识别

这是NAACL 2024论文《CNER：概念与命名实体识别》的模型卡片。
我们在CNER数据集上使用Hugging Face的默认超参数、优化器和架构对语言模型（DeBERTa-v3-base）进行了1个epoch的微调，因此该模型的结果可能与论文中呈现的结果有所不同。
生成的CNER模型能够联合识别和分类带有细粒度标签的概念和命名实体。

如果使用该模型，请在论文中引用本工作：

@inproceedings{martinelli-etal-2024-cner,
    title = "{CNER}: Concept and Named Entity Recognition",
    author = "Martinelli, Giuliano  and
      Molfese, Francesco  and
      Tedeschi, Simone  and
      Fern{\'a}ndez-Castro, Alberte  and
      Navigli, Roberto",
    editor = "Duh, Kevin  and
      Gomez, Helena  and
      Bethard, Steven",
    booktitle = "Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (Volume 1: Long Papers)",
    month = jun,
    year = "2024",
    address = "Mexico City, Mexico",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2024.naacl-long.461",
    pages = "8329--8344",
}

论文的原始代码库可在https://github.com/Babelscape/cner找到。

使用方法

您可以使用Transformers的NER pipeline来使用该模型。

from transformers import AutoTokenizer, AutoModelForTokenClassification
from transformers import pipeline

tokenizer = AutoTokenizer.from_pretrained("Babelscape/cner-model")
model = AutoModelForTokenClassification.from_pretrained("Babelscape/cner-model")

nlp = pipeline("ner", model=model, tokenizer=tokenizer, grouped_entities=True)
example = "北美洲第七高的山是什么？"

ner_results = nlp(example)
print(ner_results)

类别

许可信息

本代码库的内容仅限于非商业研究用途，遵循知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议（CC BY-NC-SA 4.0）。数据集内容和模型的版权归原始版权持有者所有。

microsoft/deberta-v3-base根据MIT许可证发布。