roberta-large-wnut2017

roberta-large-wnut2017

Roberta-large模型在WNUT2017数据集上的实体识别能力

Roberta-large在WNUT2017数据集上进行微调,F1得分为0.5375。该模型通过T-NER优化,适用于跨领域和多语言的实体识别任务,支持识别人、组织和地点等多种实体。模型通过简易代码实现实体识别,提升文本解析能力。

开源项目tner/roberta-large-wnut2017命名实体识别模型精度超参数搜索Huggingface召回率Github

roberta-large-wnut2017项目介绍

项目背景

tner/roberta-large-wnut2017是基于roberta-large语言模型进行微调后得到的模型,它专注于从tner/wnut2017数据集中提取命名实体识别(NER)任务。通过使用T-NER库进行超参数搜索,模型在测试集上取得了一定的成果。

项目性能

该模型在测试集上的性能通过以下指标进行评估:

  • 微观平均值
    • F1得分: 0.5375
    • 精确率: 0.6789
    • 召回率: 0.4449
  • 宏观平均值
    • F1得分: 0.4734
    • 精确率: 0.5947
    • 召回率: 0.4021
  • 实体跨度
    • F1得分: 0.6305
    • 精确率: 0.7963
    • 召回率: 0.5218

按实体类型的F1得分

在测试集上,不同实体类型的F1得分如下:

  • corporation:0.4065
  • group:0.3391
  • location:0.6716
  • person:0.6657
  • product:0.2800
  • work_of_art:0.4777

F1得分的置信区间通过自举法计算,具体可在提供的评估文件中查看详细信息。

如何使用模型

用户可以通过tner库方便地使用该模型。首先通过pip安装tner库:

pip install tner

安装后,可以通过以下方式激活和使用模型进行预测:

from tner import TransformersNER model = TransformersNER("tner/roberta-large-wnut2017") model.predict(["Jacob Collier is a Grammy awarded English artist from London"])

训练超参数

模型训练期间使用了以下超参数:

  • 数据集:['tner/wnut2017']
  • 数据集拆分:train
  • 模型:roberta-large
  • CRF使用:是
  • 最大长度:128
  • 训练周期:15
  • 批处理大小:64
  • 学习率:1e-05
  • 随机种子:42

完整的配置可通过微调参数配置文件查看。

参考文献

如果在您的工作中使用了T-NER的资源,请参阅以下论文进行引用:

@inproceedings{ushio-camacho-collados-2021-ner,
    title = "{T}-{NER}: An All-Round Python Library for Transformer-based Named Entity Recognition",
    author = "Ushio, Asahi  and
      Camacho-Collados, Jose",
    booktitle = "Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics: System Demonstrations",
    month = apr,
    year = "2021",
    address = "Online",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2021.eacl-demos.7",
    doi = "10.18653/v1/2021.eacl-demos.7",
    pages = "53--62",
}

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多