/ Модель
Каталог

Характеристики

Контекст
512 токенов
Параметры
146 млн
Архитектура
bert · dense
Опубликована
24 мая 2023

Ссылки

Hugging Face

kor-naver-ner-name-v2

joon09
Разметка токеновТекст → label3 профессии

BERT-модель для извлечения именованных сущностей типа имени из корейского текста.

72скачиваний за 30 дней0лайковвеса обновлены11 июл 2023

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

joon09/kor-naver-ner-name-v2 — модель на базе BERT для классификации токенов. Она предназначена для извлечения именованных сущностей из корейского текста; карточка сообщает, что модель обучена с нуля, но не описывает обучающий набор данных и результаты оценки. Модель содержит 145,5 млн параметров, принимает последовательности длиной до 512 токенов и опубликована в формате PyTorch.

Для применения передайте корейский текст и используйте предсказанные метки токенов для поиска сущностей типа имени. Карточка не уточняет схему меток и качество распознавания. Лицензия в доступных данных не указана.

Сценарии применения

  • поиск имён в корейских текстах
  • извлечение именных сущностей из корейских документов
  • разметка токенов корейского текста по категориям сущностей

Ограничения

Обучающий набор данных, схема меток и результаты оценки не описаны, поэтому качество распознавания и охват типов сущностей неясны. Длина контекста ограничена 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модельI.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделейII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

kor-naver-ner-name-v2

This model was trained from scratch on an unknown dataset.

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:

  • learning_rate: 5e-05
  • train_batch_size: 16
  • eval_batch_size: 16
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 3.0

Framework versions

  • Transformers 4.29.2
  • Pytorch 2.0.0+cu117
  • Datasets 2.2.2
  • Tokenizers 0.13.3

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
BertForTokenClassification
Ревизия весов
5910799

0 моделей

    Создать бенчмарк