/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
CC BY-SA 4.0
Архитектура
bert · dense
Базовая модель
legal-bert-base-uncased
Опубликована
14 мая 2024

Legal_NER_Support_Model

Разметка токеновТекст → label4 профессии

Дообученная на юридических текстах BERT-модель для распознавания именованных сущностей в англоязычных документах.

19скачиваний за 30 дней1лайквеса обновлены14 мая 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

Sidziesama/Legal_NER_Support_Model — дообученная модель BERT для распознавания именованных сущностей в юридических текстах. Она основана на nlpaueb/legal-bert-base-uncased и обучена на наборе opennyaiorg/InLegalNER. Модель размечает входной текст по токенам; архитектура — BertForTokenClassification, число параметров — 136,7 млн, длина контекста — до 512 токенов.

Модель подходит для извлечения юридически значимых сущностей из документов и текстов на английском языке. В README приведены метрики обучения и валидации, однако подробности о категориях сущностей, методике оценки и качестве на реальных данных отсутствуют. Распространяется по лицензии CC BY-SA 4.0.

Сценарии применения

  • извлечение именованных сущностей из юридических документов
  • разметка сущностей в англоязычных правовых текстах
  • автоматическая подготовка юридических документов к поиску и анализу

Ограничения

В карточке не описаны категории распознаваемых сущностей и ограничения применения; приведённые метрики не сопровождаются подробностями методики оценки. Контекст ограничен 512 токенами.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Sidziesama/Legal_NER_Support_Model

This model is a fine-tuned version of nlpaueb/legal-bert-base-uncased on opennyaiorg/InLegalNER. It achieves the following results on the evaluation set:

  • Train Loss: 0.0501
  • Validation Loss: 0.0883
  • Train Precision: 0.8848
  • Train Recall: 0.9160
  • Train F1: 0.9001
  • Train Accuracy: 0.9757
  • Epoch: 4

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • optimizer: {'name': 'AdamWeightDecay', 'learning_rate': {'module': 'keras.optimizers.schedules', 'class_name': 'PolynomialDecay', 'config': {'initial_learning_rate': 2e-05, 'decay_steps': 2945, 'end_learning_rate': 0.0, 'power': 1.0, 'cycle': False, 'name': None}, 'registered_name': None}, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-08, 'amsgrad': False, 'weight_decay_rate': 0.01}
  • training_precision: float32

Training results

Train LossValidation LossTrain PrecisionTrain RecallTrain F1Train AccuracyEpoch
0.37710.12280.84000.86440.85200.96550
0.11720.09620.87150.90010.88560.97251
0.08010.08950.88050.91120.89560.97452
0.05970.08810.88400.91120.89740.97513
0.05010.08830.88480.91600.90010.97574

Framework versions

  • Transformers 4.39.3
  • TensorFlow 2.15.0
  • Datasets 2.18.0
  • Tokenizers 0.15.2

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
BertForTokenClassification
Ревизия весов
3a4ab8b

0 моделей