BERT-модель для выделения фрагментов причин и следствий в предложениях, прежде всего в требованиях к программному обеспечению.
18скачиваний за 30 дней8лайковвеса обновлены20 мая 2021
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 noahjadallah/cause-effect-detection — модель на архитектуре BERT для обнаружения причин и следствий в отдельных предложениях. Она разработана для анализа требований к программному обеспечению, но может применяться и к текстам из других областей. Для каждого токена модель предсказывает одну из пяти меток: Other, B-Cause, I-Cause, B-Effect или I-Effect, обозначающих фоновые токены и начало либо продолжение фрагментов причины и следствия.
Модель содержит 136,7 млн параметров, использует классификацию токенов и поддерживает контекст до 512 токенов. Доступны веса PyTorch и Flax. README не сообщает языки обучения, лицензию или известные ограничения качества; поэтому их нельзя уточнить по предоставленным данным.
Сценарии применения
выделение причин и следствий в требованиях к ПО
поиск причинно-следственных связей в отдельных предложениях
разметка токенов текста метками Cause и Effect
Ограничения
Модель описана для обработки отдельных предложений, а контекст ограничен 512 токенами. Язык и лицензия в предоставленных данных не указаны.
Для каких профессий подходит4
Разделы каталога профессий, в задачах которых используется эта модель
Cause-Effect Detection for Software Requirements Based on Token Classification with BERT
This model uses BERT to detect cause and effect from a single sentence. The focus of this model is the domain of software requirements engineering, however, it can also be used for other domains.
The model outputs one of the following 5 labels for each token: