/ Модель

Характеристики

Контекст
514 токенов
Параметры
454 млн
Лицензия
cc-by-2.0
Архитектура
roberta · dense
Опубликована
14 сен 2023

historical_newspaper_ner

Разметка токеновТекст → label3 профессии

Дообученная RoBERTa-large распознаёт людей, организации, места и другие сущности в исторических англоязычных газетных текстах, в том числе с ошибками OCR.

31скачиваний за 30 дней8лайковвеса обновлены14 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

historical_newspaper_ner — дообученная модель RoBERTa-large от Dell Research и Harvard для распознавания именованных сущностей в тексте исторических газет, включая текст с ошибками OCR. Она размечает людей (PER), организации (ORG), места (LOC) и прочие сущности (MISC); предназначена для запуска через Transformers pipeline для NER. Модель принимает текст и выдаёт метки для отдельных токенов. Она обучена на исторических англоязычных новостях из американских газет; длина контекста составляет 514 токенов, число параметров — около 454,1 млн. На тестовых данных общий F1 составил 86,5 при строгой оценке.

Модель подходит для извлечения именованных сущностей из оцифрованной исторической прессы и подготовки новостных корпусов к дальнейшему анализу. Она может отражать предубеждения своего исторического периода, перенос на другие типы текстов может быть ограничен, а выход иногда требует постобработки из-за разметки отдельных частей слов. Лицензия — CC BY 2.0.

Сценарии применения

  • извлечение имён людей из исторических газет
  • поиск организаций в оцифрованной американской прессе
  • разметка географических названий в газетных архивах
  • извлечение сущностей из текстов с ошибками OCR
  • подготовка исторических новостных корпусов к анализу

Ограничения

Модель обучена на исторических англоязычных новостях и может хуже работать на других текстах, а также отражать предубеждения своей эпохи. Иногда она помечает части слов как отдельные сущности, поэтому может потребоваться постобработка.

Для каких профессий подходит3

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

Historical newspaper NER

Model description

historical_newspaper_ner is a fine-tuned Roberta-large model for use on text that may contain OCR errors.

It has been trained to recognize four types of entities: location (LOC), organizations (ORG), person (PER) and Miscellaneous (MISC).

It was trained on a custom historical newspaper dataset, with highly accurate labels. All data were double entered by two highly skilled Harvard undergraduates and all discrepancies were resolved by hand.

Intended uses

You can use this model with Transformers pipeline for NER.

from transformers import AutoTokenizer, AutoModelForTokenClassification
from transformers import pipeline

tokenizer = AutoTokenizer.from_pretrained("dell-research-harvard/historical_newspaper_ner")
model = AutoModelForTokenClassification.from_pretrained("dell-research-harvard/historical_newspaper_ner")

nlp = pipeline("ner", model=model, tokenizer=tokenizer)
example = "My name is Wolfgang and I live in Berlin"

ner_results = nlp(example)
print(ner_results)

Limitations and bias

This model was trained on historical news and may reflect biases from a specific period of time. It may also not generalise well to other setting. Additionally, the model occasionally tags subword tokens as entities and post-processing of results may be necessary to handle those cases.

Training data

The training dataset distinguishes between the beginning and continuation of an entity so that if there are back-to-back entities of the same type, the model can output where the second entity begins. Each token will be classified as one of the following classes:

AbbreviationDescription
OOutside of a named entity
B-MISCBeginning of a miscellaneous entity
I-MISCMiscellaneous entity
B-PERBeginning of a person’s name
I-PERPerson’s name
B-ORGBeginning of an organization
I-ORGorganization
B-LOCBeginning of a location
I-LOCLocation

This model was fine-tuned on historical English-language news that had been OCRd from American newspapers. Unlike other NER datasets, this data has highly accurate labels. All data were double entered by two highly skilled Harvard undergraduates and all discrepancies were resolved by hand.

# of training examples per entity type

DatasetArticlePERORGLOCMISC
Train227134545011911037
Dev4823159192149
Test4826183199181

Training procedure

The data was used to fine-tune a Roberta-Large model (Liu et. al, 2020) at a learning rate of 4.7e-05 with a batch size of 128 for 184 epochs.

Eval results

entitiesf1
PER94.3
ORG80.7
LOC90.8
MISC79.6
Overall (stringent)86.5
Overall (ignoring entity type)90.4

Notes

This model card was influence by that of dslim/bert-base-NER

Citation

If you use this model, you can cite the following paper:

@misc{franklin2024ndjv,
      title={News Deja Vu: Connecting Past and Present with Semantic Search}, 
      author={Brevin Franklin, Emily Silcock, Abhishek Arora, Tom Bryan and Melissa Dell},
      year={2024},
      eprint={2406.15593},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2406.15593}, 
}

Applications

We applied this model to a century of historical news articles. You can see all the named entities in the NEWSWIRE dataset.

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
RobertaForTokenClassification
Ревизия весов
d113c86

0 моделей