thainer-corpus-v2-base-model - 泰语命名实体识别模型，支持地名、人名等信息的高精度识别

项目介绍：thainer-corpus-v2-base-model

thainer-corpus-v2-base-model 是一个用于泰语命名实体识别（NER）的模型。该模型使用了 Thai NER v2.0 语料库进行训练，能够识别和分类泰语文本中的特定实体。

背景信息

命名实体识别(简称NER)是一种自然语言处理技术，广泛应用于信息抽取中。它可以自动识别出文本中如人名、地名、组织名等实体。在这一项目中，开发者训练了一个针对泰语的NER模型。

数据集与训练

模型使用了 Thai NER v2.0 语料库进行训练。训练使用的代码和数据分割可以在这里找到。训练过程中，模型基于 WangchanBERTa 基础模型进行了调整，具体的性能指标如下：

验证集性能：
- 精确度(Precision): 0.830
- 召回率(Recall): 0.874
- F1值: 0.851
- 准确度(Accuracy): 0.974
测试集性能：
- 精确度: 0.820
- 召回率: 0.878
- F1值: 0.848
- 准确度: 0.972

下载和使用

模型与相关数据集可以从HuggingFace Hub下载。尽管 HuggingFace 支持许多语言的推理，但是对于泰语的推理会给出错误的标签。因此，为了正确执行推理，用户需使用自定义代码。

以下是一个简单的使用示例，演示如何加载模型并进行推理：

from transformers import AutoTokenizer
from transformers import AutoModelForTokenClassification
from pythainlp.tokenize import word_tokenize  # 需安装 pythainlp
import torch

name="pythainlp/thainer-corpus-v2-base-model"
tokenizer = AutoTokenizer.from_pretrained(name)
model = AutoModelForTokenClassification.from_pretrained(name)

sentence = "...."  # 输入泰语句子
cut = word_tokenize(sentence.replace(" ", "<_>"))
inputs = tokenizer(cut, is_split_into_words=True, return_tensors="pt")

# 前向传播
outputs = model(inputs["input_ids"], attention_mask=inputs["attention_mask"])
logits = outputs[0]
predictions = torch.argmax(logits, dim=2)
predicted_token_class = [model.config.id2label[t.item()] for t in predictions[0]]

def fix_span_error(words, ner):
    _ner = []
    _new_tag = []
    for i, j in zip(words, _ner):
        i = tokenizer.decode(i)
        if i.isspace() and j.startswith("B-"):
            j = "O"
        if i in ['', '<s>', '</s>']:
            continue
        if i == "<_>":
            i = " "
        _new_tag.append((i, j))
    return _new_tag

ner_tag = fix_span_error(inputs['input_ids'][0], predicted_token_class)
print(ner_tag)

引用

如果使用了此项目的数据或模型，请引用以下参考：

Wannaphong Phatthiyaphaibun. (2022). Thai NER 2.0 (2.0) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.7761354

或者使用 BibTeX 格式：

@dataset{wannaphong_phatthiyaphaibun_2022_7761354,
  author       = {Wannaphong Phatthiyaphaibun},
  title        = {Thai NER 2.0},
  month        = sep,
  year         = 2022,
  publisher    = {Zenodo},
  version      = {2.0},
  doi          = {10.5281/zenodo.7761354},
  url          = {https://doi.org/10.5281/zenodo.7761354}
}

总的来说，thainer-corpus-v2-base-model 是一个强大的工具，用于处理泰语文本中的命名实体识别，能够在多个领域提供重要支持。