Характеристики

Контекст: 512 токенов
Параметры: 140 млн
Лицензия: Apache 2.0
Архитектура: electra · dense
Опубликована: 16 июн 2023

Ссылки

Hugging Face

koelectra-base-klue-ner

soddokayo

Разметка токеновТекст → label7 профессий

Дообученная на KLUE корейская ELECTRA-модель для распознавания именованных сущностей в тексте.

347скачиваний за 30 дней0лайковвеса обновлены16 июн 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

soddokayo/koelectra-base-klue-ner — дообученная модель семейства ELECTRA для распознавания именованных сущностей в корейском тексте. Она основана на monologg/koelectra-base-v3-discriminator и обучена на наборе данных KLUE. Модель содержит 140,1 млн параметров, использует архитектуру ElectraForTokenClassification и принимает последовательности длиной до 512 токенов.

Модель предназначена для извлечения и классификации сущностей в тексте на корейском языке. В оценке на тестовой выборке KLUE указаны F1 0,7911, точность 0,7710, полнота 0,8124 и accuracy 0,9588. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Подробные сведения о составе обучающих данных, типах сущностей и ограничениях применения в карточке не приведены.

Сценарии применения

извлечение имен людей из корейских текстов
поиск организаций в корейских документах
извлечение географических названий из корейских новостей

Ограничения

Показатели на оценочной выборке KLUE составляют F1 0,7911, точность 0,7710 и полноту 0,8124; качество на других типах текстов может отличаться. Контекст ограничен 512 токенами.

Для каких профессий подходит7

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

koelectra-base-klue-ner

This model is a fine-tuned version of monologg/koelectra-base-v3-discriminator on the klue dataset. It achieves the following results on the evaluation set:

Loss: 0.1427
Precision: 0.7710
Recall: 0.8124
F1: 0.7911
Accuracy: 0.9588

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: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.1647	1.0	2626	0.1678	0.7258	0.7518	0.7386	0.9494
0.111	2.0	5252	0.1447	0.7460	0.8002	0.7721	0.9557
0.0785	3.0	7878	0.1427	0.7710	0.8124	0.7911	0.9588

Framework versions

Transformers 4.30.2
Pytorch 2.0.1+cpu
Datasets 2.12.0
Tokenizers 0.11.0

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: ElectraForTokenClassification
Ревизия весов: ba0d4a6