nlp_maoe_named-entity-recognition_chinese-base-general

MAOE介绍

What's New

2023年1月：MAOE（More thAn One Encoder）首次发布，支持 1）细粒度实体识别（体验）；2）作为encoder继续fine-tuning（同BERT）。开发工具介绍; 3) 结合Adaseq进行少样本实体识别模型学习。

模型描述

该模型还在持续迭代中，相关论文还处于匿名期，因此此处只做简单介绍, 敬请期待完整内容。**

MAOE（More thAn One Encoder）是一个集预训练模型和任务模型为一体的模型。可以用于以下场景：

• 作为预训练模型（encoder）,结合下游任务head继续fine-tuning, 下游任务可以是序列理解相关任务，如命名实体识别、实体分类等。
• 作为细粒度实体识别模型。MAOE内置细粒度实体识别能力，实现超1000种实体的识别。
• 作为零样本实体识别模型。MAOE内置零样本实体识别能力，只需给定实体类别即可抽取需要的实体。

期望模型使用方式以及适用范围

本模型主要用于给输入中文句子产出命名实体识别结果。用户可以自行尝试输入中文句子。具体调用方式请参考代码示例。

模型局限性以及可能的偏差

本模型支持实体类别较多，部分类别由于训练数据原因可能效果较低，请用户自行评测后决定如何使用。

如何使用

在安装ModelScope完成之后, 可结合官方工具AdaSeq体验相关能力, 默认单句长度不超过256。

作为Encoder使用

参考Adaseq模型训练示例，只需将配置文件中，embedder参数改成MAOE即可, 可以参考：examples/bert crf/configs/maoe example.yaml：

少样本实体识别模型训练

参考Adaseq模型训练示例, examples/twostage ner/configs/msra.yaml:

• 指定训练数据

• 修改encoder

也可以在创空间快速尝试。https://www.modelscope.cn/studios/damo/maoe fsl ner/summary

细粒度实体识别

实体标签介绍

本模型目前支持300+（目标1000+）种实体类型识别，具体标签集可以参考configuration.json文件。

相关论文以及引用信息

待更新。