Project Icon

xlm-roberta-base-ner-silvanus

基于XLM-RoBERTa的多语言命名实体识别模型

该模型基于xlm-roberta-base在印尼NER数据集上微调而来,可从社交媒体文本中提取位置、日期和时间信息。虽然训练数据为印尼语,但通过零样本迁移学习,模型支持英语、西班牙语、意大利语和斯洛伐克语的信息提取。在验证集上,模型展现出91.89%的精确率、92.73%的召回率和92.31%的F1分数,显示了其在多语言命名实体识别任务中的有效性。

nli-roberta-base - 用于自然语言推理与零样本分类的跨编码器
Cross-EncoderGithubHuggingfaceZero-Shot 分类开源项目模型模型性能自然语言推理训练数据
此模型使用SentenceTransformers中的Cross-Encoder类开发,专用于自然语言推理(NLI),通过SNLI和MultiNLI数据集训练,可输出矛盾、蕴含及中立标签分数。预训练模型兼容零样本分类,便于通过SentenceTransformers或Transformers库应用于多种文本推理与分类场景。
gliner_multi-v2.1 - 多语言命名实体识别模型兼顾灵活性与资源效率
GLiNERGithubHuggingface命名实体识别多语言模型开源项目机器学习模型自然语言处理
GLiNER是一种基于双向Transformer编码器的多语言命名实体识别模型,能够识别任意类型的实体。与传统NER模型和大型语言模型相比,GLiNER在保持性能的同时提高了资源效率。该模型提供多个版本,参数量介于166M至459M之间,支持英语和多语言处理,并采用Apache-2.0开源许可。GLiNER为资源受限的应用场景提供了一个实用的NER解决方案。
distilbert-base-cased-finetuned-conll03-english - 基于DistilBERT的英语命名实体识别模型
CoNLL-2003DistilBERTGithubHuggingface命名实体识别开源项目模型自然语言处理迁移学习
这是一个基于distilbert-base-cased模型微调的英语命名实体识别(NER)工具。该模型在conll2003英语数据集上训练,对大小写敏感,在验证集上达到98.7%的F1分数。它能够有效识别和分类文本中的人名、地名和组织名等命名实体,为各种自然语言处理任务提供支持。
indonesian-roberta-base-sentiment-classifier - 印尼语RoBERTa情感分类器:高精度的开源NLP工具
GithubHuggingfaceRoBERTa印尼语情感分类开源项目情感分析模型深度学习自然语言处理
这是一个基于RoBERTa架构的印尼语情感分类器,在indonlu的SmSA数据集上微调而成。模型在评估集上展现出卓越性能,准确率达94.36%,F1值达92.42%。它支持多种深度学习框架,易于集成到各类情感分析应用中。作为开源项目,该模型为印尼语自然语言处理领域提供了一个高效可靠的工具,推动了相关研究和应用的发展。模型采用了124M参数的RoBERTa Base架构,在印尼语评论和评论数据上训练。它不仅在评估集上表现优异,在基准测试集上也达到了93.2%的准确率和91.02%的F1值。该项目提供了详细的使用说明和评估结果,方便研究者和开发者快速上手和复现实验。
gliner_large-v2.1 - 通用命名实体识别模型,适合资源有限的应用场景
GLiNERGithubHuggingface双向Transformer命名实体识别多语言开源开源项目模型
GLiNER是使用双向Transformer编码器的通用命名实体识别模型,能够识别多种实体类型。相比于传统NER模型和体积庞大的语言模型,GLiNER在资源有限的情况下表现出卓越的灵活性和效率。最新的GLiNER v2.1版本支持单语和多语模型,性能表现依旧出色。用户可以通过安装GLiNER Python库,将其方便地集成到项目中,适用于多种语言的文本预测任务。
biomedical-ner-all - 基于英语的生物医学实体识别AI模型
AIGithubHuggingfaceMaccrobatNamed Entity Recognitiontransformers库开源项目模型生物医学
该AI模型基于Maccrobat数据集训练,可以识别107种生物医学实体,适用于案例报告等文本工作。通过distilbert-base-uncased构建,拥有低碳排放(0.0279千克)和30.17分钟的训练时间。通过Huggingface API或transformers库,可便捷应用于生物医学领域;教程视频提供详细使用说明。
xlm-roberta-base-language-detection-onnx - 基于XLM-RoBERTa的多语言文本识别系统
GithubHuggingfaceONNX转换XLM-RoBERTa多语言模型开源项目文本分类模型语言检测
这是一个将xlm-roberta-base转换为ONNX格式的语言检测模型,支持阿拉伯语、中文、英语等20种语言识别。模型通过序列分类技术实现语言检测,并结合Optimum库确保高效运行,适合多语言文本分析场景。
xlm-roberta-longformer-base-4096 - 支持超长序列处理的多语言Transformer模型
GithubHuggingfaceWikiText-103XLM-R Longformer低资源语言开源项目模型长序列处理问答任务
该项目结合XLM-R与Longformer模型,提升了对多达4096个标记的处理能力,以提高低资源语言的处理效果。模型在WikiText-103语料库上进行预训练,适用于多语言问答任务。推荐使用NVIDIA Apex和大容量GPU以确保模型性能和效率。项目由Peltarion完成,提供相关代码和训练脚本供开发者参考。
roberta-base-bne - 基于西班牙国家图书馆数据的RoBERTa语言模型
GithubHuggingfaceroberta-base-bne国家图书馆填空任务开源项目模型西班牙语语言模型
roberta-base-bne是一种基于西班牙国家图书馆560GB文本进行大规模预训练的西班牙语掩码语言模型,适用于问答、文本分类和命名实体识别等。该模型可能存在偏见,建议为具体任务进行微调。如有问题,可联系巴塞罗那超级计算中心的文本挖掘团队。
UniNER-7B-all - 跨多数据集的命名实体识别开源模型
GithubHuggingfaceUniNER命名实体识别大模型开源项目模型研究自然语言处理
UniNER-7B-all模型结合ChatGPT生成的Pile-NER-type和Pile-NER-definition数据及Universal NER基准中40个数据集进行训练,适合多数据集的命名实体识别研究。模型在排除CrossNER和MIT数据集的情况下进行OOD评估。详细的使用指南和模型信息可以通过相关论文及GitHub仓库获得,模型适用于研究目的,遵循CC BY-NC 4.0许可协议。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号