/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
AGPL 3.0
Архитектура
bert · dense
Библиотека
transformers
Опубликована
16 окт 2024

ner-newsagency-bert-multilingual

Разметка токеновТекст → label3 профессии

Модель находит упоминания информационных агентств в исторических газетных статьях на французском и немецком языках.

173скачиваний за 30 дней0лайковвеса обновлены16 мая 2025

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 impresso-project/ner-newsagency-bert-multilingual разработана DHLAB, EPFL и командой проекта Impresso для поиска упоминаний информационных агентств в исторических газетных статьях на французском и немецком языках. Это дообученная модель BERT для распознавания именованных сущностей и классификации токенов, основанная на dbmdz/bert-base-historic-multilingual-cased. Она содержит 137,8 млн параметров и поддерживает контекст до 512 токенов.

Модель обучена на вручную размеченном наборе из 1 530 статей швейцарской и люксембургской прессы за 1840–2000 годы. В карточке указаны F1 0,90 для французского и 0,86 для немецкого. Она подходит для анализа цифровых архивов газет и извлечения названий агентств, когда название явно присутствует в тексте. Модель не обнаруживает агентство по одному лишь содержанию публикации и может пропускать упоминания, искажённые OCR. Лицензия — AGPL-3.0.

Сценарии применения

  • извлечение названий агентств из исторических газет на французском языке
  • извлечение названий агентств из исторических газет на немецком языке
  • разметка упоминаний агентств в цифровых газетных архивах
  • подготовка корпусов прессы для анализа истории новостей

Ограничения

Модель не определяет агентство по содержанию статьи, если его название явно не упомянуто, и может пропускать упоминания, искажённые OCR. Поддерживаются только французский и немецкий языки.

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

Model Card for impresso-project/ner-newsagency-bert-multilingual

This model is designed to detect mentions of news agencies in historical newspaper articles in French and German. It was developed as part of the Impresso project, a multidisciplinary initiative aiming to enable exploration of large-scale historical media archives.

The model is fine-tuned from dbmdz/bert-base-historic-multilingual-cased, trained on a custom annotated dataset of over 1,500 historical articles (1840–2000) from the Swiss and Luxembourgish press.

Model Details

Description

Model Architecture

The model architecture consists of the following component:

  • A pre-trained BERT encoder (multilingual historic BERT) as the base for token classification.

Entity Types Supported

The model predicts whether a given token span corresponds to a news agency mention. The following tags are used:

Recognized News Agencies

TagDescription
AFPAgence France Presse (A.F.P.)
ANPAlgemeen Nederlands Persbureau
ANSAAgenzia Nationale Stampa Associata
APAssociated Press (Assoc. Press)
APAAustria Press Agentur
ATS-SDAAgence télégraphique suisse / Schweizerische Depeschenagentur (ATS, SDA)
BTABulgarska Telegrafitscheka Agentzia (Agence Bulgare)
BelgaAgence Belga SA
CTKCzechoslavenska Tiskova Kancelar (Ceteka)
DDP-DAPDDeutscher Depeschendienst / Deutscher Auslands-Depeschendienst
DNBDeutsches Nachrichtenbüro GmbH (D.N.B.)
DPADeutsche Presse Agentur
DomeiDomei Tsushin (Japan)
EuropapressEuropapress (Europapreß, Europapr.)
ExtelExchange Telegraph Co. Ltd. (Agence Extel)
HavasHavas (Agence Havas)
InterfaxInterfax News Agency
PAPPolska Agencja Prasowa
ReutersReuters (Reuter, Reutermeldung, Reuter’sche Bureau)
SPK-SMPSchweizer Mittelpresse / Schweizerische Politische Korrespondenz (SPK, SMP)
StefaniAgenzia Stefani (Agence Stefani)
TANJUGTelegrafska Agencija nova Jugoslavija
TASSTelegrafnoie Agenstvo sovietskavo Soyusa (ITAR-TASS, Taß, etc.)
TTTidningarnas Telegrambyra (Sweden)
TelunionTelegraphen-Union (TU)
UP-UPIUnited Press / United Press International (UP, UPI)
WolffWolffs Telegraphisches Bureau (Wolffagentur, etc.)
agGeneric agency mention (e.g. “ag.”, “Agence”)
pers.ind.articleauthorAuthor of the newspaper article
unkUnknown agency not in tagset

How to Use

from transformers import pipeline
nlp = pipeline("newsagency-ner", model="impresso-project/ner-newsagency-bert-multilingual", trust_remote_code=True)
nlp("La dépêche vient de (Reuter), diffusée hier.")

Example Output

[
  {
    'type': 'Reuters',
    'confidence': 0.99,
    'index': 5,
    'surface': 'Reuter',
    'start': 21, 'end': 27
  }
]

Training Details

Training Data

The model was trained on a custom dataset of 1,530 documents (1,133 FR / 397 DE) from the Impresso HIPE-2020 dataset. The training data was manually annotated to identify mentions of news agencies in historical newspaper articles.

Dataset Characteristics

LangDocsTokensMentions% Noisy
fr1133759k1,3995%
de397299k5779%
  • Annotation tool: INCEpTION
  • Tags used: specific agency names, ag, pers.ind.articleauthor, unk
  • Tag format: span-level BIO-style

Training Procedure

Training Hyperparameters

  • Pretrained base model: dbmdz/bert-base-historic-multilingual-cased
  • Finetuning epochs: 3
  • Max sequence length: 512 tokens
  • Languages: French and German

Evaluation

Model evaluation was performed on a manually annotated dataset with 1,530 documents (1,133 FR / 397 DE). Results are summarised below:

LanguagePrecisionRecallF1-score
French0.920.880.90
German0.890.830.86

Evaluation methodology and full results are detailed in the thesis: Marxen, 2023. are detailed in the thesis: Marxen, 2023.

Speeds, Sizes, Times

  • Model size: ~500MB
  • Training time: ~half hour on 1 NVIDIA GPU (16GB)

Environmental Impact

  • Hardware: 1x NVIDIA GPU (16GB)
  • Training time: ~1 hour
  • Provider: Local HPC (Switzerland)
  • Estimated CO₂ Emissions: ~0.022 kg CO₂eq (calculated using MLCO2 calculator)

Limitations and Risks

  • Does not detect news agency content without explicit mention.
  • May miss OCR-degraded mentions despite robustness strategies.
  • Only covers French and German.

Model Sources

Citation

@misc{marxen_newsagency_2023,
  title = {Where Did the News come from? Detection of News Agency Releases in Historical Newspapers},
  author = {Marxen, Lea and Ehrmann, Maud and Boros, Emanuela},
  year = {2023},
  url = {https://github.com/impresso/newsagency-classification/},
  note = {Master Thesis}
}

Contact

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ModelForSequenceAndTokenClassification
Ревизия весов
0b5d750

0 моделей