/ Модель
Каталог

Характеристики

Опубликована
30 июн 2026

Ссылки

Hugging Face

bilstm-crf-cnn-fasttext-ner

YoliGuadir
Разметка токеновТекст → label

Модель на BiLSTM, символьной CNN и CRF извлекает именованные сущности из испанского текста.

0скачиваний за 30 дней0лайковвеса обновлены30 июн 2026

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

Модель YoliGuadir/bilstm-crf-cnn-fasttext-ner разработана для распознавания именованных сущностей в испанском тексте. Это последовательная архитектура BiLSTM с двумя двунаправленными слоями на 256 и 128 единиц, символьной CNN и слоем CRF. Для представления слов объединяются 300-мерные эмбеддинги FastText и 90-мерные символьные признаки; LayerNorm и Dropout используются в архитектуре для регуляризации, а CRF помогает согласовывать последовательности меток.

Модель обучалась на испанской части CoNLL-2002. В README сообщается F1-score 81,0%, точность 80,3% и полнота 81,7% для варианта с BiLSTM, CRF, CNN и FastText; это результат, приведённый авторами, и он не гарантирует аналогичное качество на других данных. Репозиторий содержит веса PyTorch. Лицензия в доступных сведениях не указана.

Сценарии применения

  • распознавание именованных сущностей в испанских документах
  • извлечение имён людей и организаций из испанских текстов
  • разметка сущностей в новостях на испанском языке
  • анализ испанских текстов с выделением сущностей по токенам

Ограничения

Заявленные метрики получены на данных CoNLL-2002; качество на других источниках и жанрах текста может отличаться. README не приводит численные результаты для отдельных типов сущностей.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BiLSTM + CRF + CNN + FastText — NER en Espanol (CoNLL-2002)

Descripcion

Modelo BiLSTM con capa CRF, embeddings FastText y CharCNN para extraer rasgos morfologicos de los caracteres de cada palabra. El vector de caracteres se concatena con el embedding de FastText antes de entrar al BiLSTM.

Resultados comparativos — evolucion de arquitecturas

ModeloF1-scorePrecisionRecall
BiLSTM baseline (sin FastText)64.3%62.7%66.1%
BiLSTM + CRF + FastTextver notebook 06ver notebook 06ver notebook 06
BiLSTM + CRF + CNN + FastText81.0%80.3%81.7%

Supera baseline: SI

Evolucion del entrenamiento

Evolucion

Arquitectura

  • CharCNN: 3 filtros convolucionales (tamanos 3,4,5) de 30 canales cada uno
  • Embeddings FastText (300 dim) + embeddings caracteres (90 dim) = 390 dim total
  • BiLSTM capa 1: 256 unidades bidireccional
  • BiLSTM capa 2: 128 unidades bidireccional
  • LayerNorm + Dropout
  • Capa CRF para coherencia de etiquetas

Por que CNN ayuda

El CharCNN captura la estructura morfologica de palabras no vistas en entrenamiento. Por ejemplo, reconoce que una palabra terminada en "-mente" suele ser un adverbio, o que palabras con mayuscula inicial suelen ser nombres propios.

Configuracion de entrenamiento

  • Dataset: CoNLL-2002 (esp.train, esp.testa, esp.testb)
  • Plataforma: Kaggle T4 x2
  • Optimizer: AdamW (lr=1e-3)
  • Early Stopping: patience=7
  • Batch size: 32

Maestria CODING - Universidad del Valle

Taller Final PLN - Gran Idea 2

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
7f3dd3f

0 моделей

    Создать бенчмарк