/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
span-marker · dense
Базовая модель
bert-base-cased
Библиотека
span-marker
Опубликована
13 авг 2023

span-marker-bert-base-acronyms

Разметка токеновТекст → label3 профессии

Англоязычная модель SpanMarker на базе BERT для извлечения акронимов и их полных форм из текста.

46скачиваний за 30 дней7лайковвеса обновлены27 сен 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

Модель tomaarsen/span-marker-bert-base-acronyms разработана на базе SpanMarker и предназначена для распознавания упоминаний акронимов в английском тексте. Она выделяет полные формы терминов и соответствующие им сокращения, например «Principal Component Analysis» и «PCA», и присваивает им метки long и short. Модель дообучена на наборе Acronym Identification с использованием bert-base-cased в качестве энкодера.

Модель решает задачу классификации токенов и поддерживает последовательности длиной до 256 токенов; максимальная длина распознаваемой сущности — 8 слов. В README приведена оценка F1 0,9336 на наборе акронимов. Для текста с непоследовательной капитализацией автор рекомендует uncased-вариант. Модель доступна под лицензией Apache-2.0.

Сценарии применения

  • поиск сокращений и их расшифровок в английских документах
  • извлечение акронимов из научных статей
  • разметка пар «термин — сокращение» в корпусах текста

Ограничения

Модель рассчитана на английский язык и распознаёт сущности длиной не более 8 слов; максимальная длина входной последовательности — 256 токенов. Для данных с непоследовательной капитализацией автор рекомендует uncased-вариант.

Для каких профессий подходит3

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

SpanMarker with bert-base-cased on Acronym Identification

This is a SpanMarker model trained on the Acronym Identification dataset that can be used for Named Entity Recognition. This SpanMarker model uses bert-base-cased as the underlying encoder. See train.py for the training script.

Is your data not (always) capitalized correctly? Then consider using the uncased variant of this model instead for better performance: tomaarsen/span-marker-bert-base-uncased-acronyms.

Model Details

Model Description

  • Model Type: SpanMarker
  • Encoder: bert-base-cased
  • Maximum Sequence Length: 256 tokens
  • Maximum Entity Length: 8 words
  • Training Dataset: Acronym Identification
  • Language: en
  • License: apache-2.0

Model Sources

Model Labels

LabelExamples
long"Conversational Question Answering", "controlled natural language", "successive convex approximation"
short"SODA", "CNL", "CoQA"

Evaluation

Metrics

LabelPrecisionRecallF1
all0.94220.92520.9336
long0.93080.90130.9158
short0.94790.93740.9426

Uses

Direct Use for Inference

from span_marker import SpanMarkerModel

# Download from the 🤗 Hub
model = SpanMarkerModel.from_pretrained("tomaarsen/span-marker-bert-base-acronyms")
# Run inference
entities = model.predict("Compression algorithms like Principal Component Analysis (PCA) can reduce noise and complexity.")

Downstream Use

You can finetune this model on your own dataset.

from span_marker import SpanMarkerModel, Trainer

# Download from the 🤗 Hub
model = SpanMarkerModel.from_pretrained("tomaarsen/span-marker-bert-base-acronyms")

# Specify a Dataset with "tokens" and "ner_tag" columns
dataset = load_dataset("conll2003") # For example CoNLL2003

# Initialize a Trainer using the pretrained model & dataset
trainer = Trainer(
    model=model,
    train_dataset=dataset["train"],
    eval_dataset=dataset["validation"],
)
trainer.train()
trainer.save_model("tomaarsen/span-marker-bert-base-acronyms-finetuned")

Training Details

Training Set Metrics

Training setMinMedianMax
Sentence length432.3372170
Entities per sentence02.677524

Training Hyperparameters

  • learning_rate: 5e-05
  • train_batch_size: 32
  • eval_batch_size: 32
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 2

Training Results

EpochStepValidation LossValidation PrecisionValidation RecallValidation F1Validation Accuracy
0.31012000.00830.91700.88940.90300.9766
0.62024000.00630.93290.91490.92380.9807
0.93026000.00600.92790.93380.93090.9819
1.24038000.00580.94060.90920.92470.9812
1.550410000.00560.94530.91550.93020.9825
1.860512000.00540.94110.92710.93400.9831

Environmental Impact

Carbon emissions were measured using CodeCarbon.

  • Carbon Emitted: 0.031 kg of CO2
  • Hours Used: 0.204 hours

Training Hardware

  • On Cloud: No
  • GPU Model: 1 x NVIDIA GeForce RTX 3090
  • CPU Model: 13th Gen Intel(R) Core(TM) i7-13700K
  • RAM Size: 31.78 GB

Framework Versions

  • Python: 3.9.16
  • SpanMarker: 1.3.1.dev
  • Transformers: 4.30.0
  • PyTorch: 2.0.1+cu118
  • Datasets: 2.14.0
  • Tokenizers: 0.13.2

Citation

BibTeX

@software{Aarsen_SpanMarker,
    author = {Aarsen, Tom},
    license = {Apache-2.0},
    title = {{SpanMarker for Named Entity Recognition}},
    url = {https://github.com/tomaarsen/SpanMarkerNER}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · span-marker

Нельзя запустить

Модели SpanMarker требуют отдельного рантайма.

Класс архитектуры
SpanMarkerModel
Ревизия весов
ae9718c

0 моделей