/ Модель

Характеристики

Контекст
512 токенов
Параметры
306 млн
Лицензия
Apache 2.0
Архитектура
deberta-v2 · dense
Опубликована
28 июн 2024

Segmentext

Разметка токеновТекст → label7 профессий

Модель PleIAs на базе DeBERTa-v2 размечает токены, чтобы восстанавливать структуру неструктурированных и оцифрованных документов.

85скачиваний за 30 дней20лайковвеса обновлены30 авг 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Segmentext — специализированная модель PleIAs для сегментации неструктурированного текста. Она использует архитектуру DeBERTa-v2 с классификацией токенов и содержит 306 млн параметров; модель принимает текстовые последовательности длиной до 512 токенов и размечает их структурные части.

Модель рассчитана на восстановление редакционной структуры по самому тексту, без обращения к исходному макету документа. Она обучалась на 3 500 вручную размеченных примерах из финансовых документов, текстов культурного наследия и научных публикаций. Segmentext распознаёт основной текст, разделители, заголовки, таблицы, реплики диалога, библиографические ссылки, контактные данные, паратекст, авторов, даты и ключевые слова. По описанию разработчика, она должна работать с разными форматами документов на основных европейских языках, включая повреждённый текст и ошибки распознавания макета.

Модель может использоваться для структурирования текстов после оцифровки, подготовки документов к дальнейшему анализу и выделения контактных данных. Обучающие данные охватывают ограниченное число вручную размеченных примеров, поэтому качество на иных языках и типах документов может различаться. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • сегментация текста на заголовки, основной текст и разделители
  • выделение таблиц и реплик диалога в документах
  • разметка библиографических ссылок, авторов и дат
  • выделение контактных данных для последующего удаления персональной информации
  • восстановление структуры текстов с артефактами оцифровки и ошибками распознавания макета

Ограничения

Обучение основано на 3 500 вручную размеченных примерах из ограниченного набора источников; качество на других типах документов и языках может отличаться. Контекст ограничен 512 токенами.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Segmentext is a specialized language model for text-segmentation. Segmentext has been trained to be resilient to broken and unstructured texts including digitzation artifacts and ill-recognized layout formats.

In contrast with most text-segmentation approach, Segmentext is based on token classification. Editorial structure are reconstructed by the raw text without any reference to the original layout.

Segmentext was trained using HPC resources from GENCI–IDRIS on Ad Astra with 3,500 example of manually annotated texts, mostly coming from three large scale dataset collected by PleIAs, Finance Commons (financial documents in open data), Common Corpus (cultural heritage texts) and the Science Pile (scientific publication in open licenses - to be released).

Given the diversity of the training data, Segmentext should work correctly on diverse document formats in the main European languages.

Segmentext can be tested on PleIAs-Bad-Data-Editor, a free demo along with OCRonos, another model trained by PleIAs for the correction of OCR errors and other digitization artifact.

Use

Segmentext support the following text segmentation:

  • Text
  • Separator - actually a segmentation separator, generally based on newline (actually ¶) with some variations due to text segmentation understanding.
  • Title
  • Table
  • Dialog - any kind of speaker attributed intervention.
  • Bibliography - statement of a specific bibliographic reference, either in a bibliography section or a footnote.
  • Contact - personal information, can be especially useful in the context of PII removal.
  • Paratext - any non-meaningful text included in standard documents like header, page numbering, section recall, etc.
  • Author - author names and signatures.
  • Date - statement of date and time, common in letters and newspaper articles.
  • Keyword - list of keywords, especially common in scientific publications.

Example

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForTokenClassification
Ревизия весов
ed7bbd3

0 моделей