Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 5 июн 2022

Ссылки

Hugging Face

bert-uncased-keyword-extractor

yanekyuk

Разметка токеновТекст → label7 профессий

Дообученная англоязычная BERT-модель для выделения ключевых слов из текста с помощью токенной классификации.

41 708скачиваний за 30 дней46лайковвеса обновлены6 июн 2022

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

yanekyuk/bert-uncased-keyword-extractor — модель на базе BERT, дообученная для извлечения ключевых слов из текста. Она выполняет токенную классификацию: каждому токену присваивается метка, позволяющая выделять ключевые слова. Модель содержит 136,7 млн параметров, принимает текст длиной до 512 токенов и доступна в формате PyTorch.

Модель рассчитана на англоязычный текст. Её можно применять для автоматического выделения ключевых слов в документах и фрагментах текста. В README приведены результаты оценки: precision 0,8547, recall 0,8825, accuracy 0,9741 и F1 0,8684; обучающий датасет не описан.

Модель распространяется по лицензии Apache-2.0. Качество на других типах текстов и языках не подтверждено; из-за отсутствия сведений о датасете и предназначенных сценариях следует проверять результаты на собственных данных.

Сценарии применения

извлечение ключевых слов из англоязычных документов
выделение ключевых слов из статей и заметок
автоматическая разметка токенов как ключевых слов

Ограничения

В README не описаны обучающий датасет и ограничения применения. Приведённые метрики относятся только к оценочному набору, поэтому качество на других данных не гарантировано.

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 II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей 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

bert-uncased-keyword-extractor

This model is a fine-tuned version of bert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.1247
Precision: 0.8547
Recall: 0.8825
Accuracy: 0.9741
F1: 0.8684

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: 8
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	Accuracy	F1
0.165	1.0	1875	0.1202	0.7109	0.7766	0.9505	0.7423
0.1211	2.0	3750	0.1011	0.7801	0.8186	0.9621	0.7989
0.0847	3.0	5625	0.0945	0.8292	0.8044	0.9667	0.8166
0.0614	4.0	7500	0.0927	0.8409	0.8524	0.9711	0.8466
0.0442	5.0	9375	0.1057	0.8330	0.8738	0.9712	0.8529
0.0325	6.0	11250	0.1103	0.8585	0.8743	0.9738	0.8663
0.0253	7.0	13125	0.1204	0.8453	0.8825	0.9735	0.8635
0.0203	8.0	15000	0.1247	0.8547	0.8825	0.9741	0.8684

Framework versions

Transformers 4.19.2
Pytorch 1.11.0+cu113
Datasets 2.2.2
Tokenizers 0.12.1

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: 47b6264