Характеристики

Контекст: 512 токенов
Параметры: 205 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 16 янв 2023

Ссылки

Hugging Face

ner-bert-german

mschiesser

Разметка токеновТекст → label8 профессий

Модель на основе BERT для распознавания персон, организаций и мест в немецком тексте.

1 107скачиваний за 30 дней5лайковвеса обновлены23 мар 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

mschiesser/ner-bert-german — модель для распознавания именованных сущностей в немецком тексте. Она основана на bert-base-multilingual-cased, дообучена на немецком наборе WikiANN и использует архитектуру BERT для классификации токенов. Модель содержит 205,1 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов.

Модель предназначена для выделения сущностей типов «человек», «организация» и «место» в немецких текстах. На оценочной выборке WikiANN указаны F1 0,8829 в целом, 0,9152 для персон, 0,8278 для организаций и 0,9067 для мест; точность составляет 0,9606, полнота — 0,8893. Опубликована под лицензией Apache-2.0.

Сценарии применения

выделение имён людей в немецких документах
поиск организаций в немецких новостях
извлечение названий мест из немецких текстов

Ограничения

Оценочные метрики приведены для WikiANN и могут не отражать качество на текстах других жанров и предметных областей. Контекст ограничен 512 токенами.

Для каких профессий подходит8

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 791модель I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ner-bert-german

This model can be used to do named-entity recognition in German. It is trained on a fine-tuned version of bert-base-multilingual-cased on the German wikiann dataset.

It achieves the following results on the evaluation set:

Loss: 0.2450
Overall Precision: 0.8767
Overall Recall: 0.8893
Overall F1: 0.8829
Overall Accuracy: 0.9606
Loc F1: 0.9067
Org F1: 0.8278
Per F1: 0.9152

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: 2e-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: 7

Training results

Training Loss	Epoch	Step	Validation Loss	Overall Precision	Overall Recall	Overall F1	Overall Accuracy	Loc F1	Org F1	Per F1
0.252	0.8	1000	0.1724	0.8422	0.8368	0.8395	0.9501	0.8702	0.7593	0.8921
0.1376	1.6	2000	0.1679	0.8388	0.8607	0.8497	0.9528	0.8814	0.7712	0.8971
0.0982	2.4	3000	0.1880	0.8631	0.8598	0.8614	0.9564	0.8847	0.7915	0.9070
0.0681	3.2	4000	0.1956	0.8599	0.8775	0.8686	0.9574	0.8905	0.8084	0.9097
0.0477	4.0	5000	0.2115	0.8738	0.8814	0.8776	0.9593	0.9003	0.8207	0.9144
0.031	4.8	6000	0.2274	0.8751	0.8826	0.8788	0.9598	0.9017	0.8246	0.9115
0.0229	5.6	7000	0.2317	0.8715	0.8888	0.8801	0.9598	0.9061	0.8208	0.9145
0.0181	6.4	8000	0.2450	0.8767	0.8893	0.8829	0.9606	0.9067	0.8278	0.9152

Framework versions

Transformers 4.25.1
Pytorch 1.13.1
Datasets 2.8.0
Tokenizers 0.13.2

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: db84888