/ Модель

Характеристики

Контекст
512 токенов
Параметры
195 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
bert-base-multilingual-uncased
Библиотека
transformers
Опубликована
29 мар 2025

institutional-books-topic-classifier-bert

Классификация текстаТекст → label4 профессии

Многоязычный BERT-классификатор присваивает книжным метаданным тематические категории верхнего уровня Library of Congress.

24скачиваний за 30 дней16лайковвеса обновлены19 авг 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

Классификатор Institutional Books Topic Classifier разработан Institutional Data Initiative при Harvard Law School Library для присвоения книгам тематических категорий верхнего уровня из схемы Library of Congress Classification Outline. Модель принимает текстовые метаданные тома — например, название, автора, год, язык и примечание — и относит их к одной из 20 категорий, включая историю, право, медицину, науку, литературу и искусство. Поля метаданных можно передавать по отдельности или опускать.

Это дообученная для классификации последовательностей модель BERT на базе google-bert/bert-base-multilingual-uncased, с 194,6 млн параметров и контекстом до 512 токенов. В описанных проверках указаны macro F1 0,961, micro F1 0,9694 и точность 97,8% на отдельном наборе из 1000 примеров. Модель подходит для тематической разметки книжных каталогов и коллекций; метрики относятся к данным и условиям эксперимента авторов и не гарантируют такую же точность на других коллекциях. Лицензия — Apache-2.0.

Сценарии применения

  • автоматическая тематическая разметка записей книжного каталога
  • классификация книг по категориям Library of Congress
  • обогащение метаданных библиотечных коллекций
  • группировка оцифрованных томов по темам
  • подготовка книжных коллекций к поиску и аналитике

Ограничения

Ограничение контекста — 512 токенов; качество на других коллекциях и наборах метаданных может отличаться от опубликованных метрик. README приводит категории и результаты проверки, но не описывает устойчивость к пропущенным или ошибочным данным за пределами отмеченной возможности опускать поля.

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

📚 Institutional Books Topic Classifier

This model was trained as part of the analysis and post-processing work performed in preparation for the release of the Institutional Books: Harvard Library dataset by the Institutional Data Initiative.

We used this text classifier to assign a topic, derived from the first level of the Library of Congress' Classification Outline, to individual volumes.

Complete experimental setup and results are available in our technical report (Section 4.5).

Code: https://github.com/instdin/institutional-books-pipeline

Base model

google-bert/bert-base-multilingual-uncased

Input format

Book metadata, formated as follows:

Title: A treatise on analytical geometry of tree dimensions, containing the theory of curve surfaces and of curves of double curvature. 
Author: Hymers, J.   
Year: 1848
Language: English
General Note: Example of a general note

All of the fields listed in this example are optional.

Categories

  • GENERAL WORKS
  • PHILOSOPHY. PSYCHOLOGY. RELIGION
  • AUXILIARY SCIENCES OF HISTORY
  • WORLD HISTORY AND HISTORY OF EUROPE, ASIA, AFRICA, AUSTRALIA, NEW ZEALAND, ETC.
  • HISTORY OF THE AMERICAS
  • GEOGRAPHY. ANTHROPOLOGY. RECREATION
  • SOCIAL SCIENCES
  • POLITICAL SCIENCE
  • LAW
  • EDUCATION
  • MUSIC AND BOOKS ON MUSIC
  • FINE ARTS
  • LANGUAGE AND LITERATURE
  • SCIENCE
  • MEDICINE
  • AGRICULTURE
  • TECHNOLOGY
  • MILITARY SCIENCE
  • NAVAL SCIENCE
  • BIBLIOGRAPHY. LIBRARY SCIENCE. INFORMATION RESOURCES (GENERAL)

Training data

  • Train split: 80,830 samples
  • Test split: 5,000 samples
  • An additional set of 1,000 samples was set aside for benchmarking purposes

Validation Metrics

MetricValue
loss0.157407745718956
f1_macro0.9613886456444749
f1_micro0.9694
f1_weighted0.9693030681223207
precision_macro0.9679892485977634
precision_micro0.9694
precision_weighted0.9695713537396466
recall_macro0.9560667596679707
recall_micro0.9694
recall_weighted0.9694
accuracy0.9694

Post-training benchmark accuracy: 97.8% (978/1000)

Quickstart

from transformers import pipeline

to_label = """
Title: A treatise on analytical geometry of tree dimensions, containing the theory of curve surfaces and of curves of double curvature. 
Author: Hymers, J.   
Year: 1848
Language: English
General Note: Example of a general note
"""

pipe = pipeline("text-classification", model="instdin/institutional-books-topic-classifier-bert")
result = pipe(to_label.strip())
print(result[0]) # {'label': 'SCIENCE', 'score': 0.9996894598007202}

About IDI

The Institutional Data Initiative at Harvard Law School Library works with knowledge institutions—from libraries and museums to cultural groups and government agencies—to refine and publish their collections as data. Reach out to collaborate on your collections.

Cite

@misc{cargnelutti2025institutionalbooks10242b,
      title={Institutional Books 1.0: A 242B token dataset from Harvard Library's collections, refined for accuracy and usability}, 
      author={Matteo Cargnelutti and Catherine Brobston and John Hess and Jack Cushman and Kristi Mukk and Aristana Scourtas and Kyle Courtney and Greg Leppert and Amanda Watson and Martha Whitehead and Jonathan Zittrain},
      year={2025},
      eprint={2506.08300},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2506.08300}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForSequenceClassification
Ревизия весов
030e06b

0 моделей