模型介绍
中文整理RANER介绍
模型描述
本方法采用Transformer-CRF模型，使用XLM-Roberta作为预训练模型底座，结合使用外部工具召回的相关句子作为额外上下文，使用Multi-view Training方式进行训练。
模型结构如下图所示：
可参考论文：Improving Named Entity Recognition by External Context Retrieving and Cooperative Learning
期望模型使用方式以及适用范围
本模型主要用于给输入英语句子产出命名实体识别结果。用户可以自行尝试输入英语句子。具体调用方式请参考代码示例。
如何使用
在安装ModelScope完成之后即可使用chunking(组块分析)的能力, 默认单句长度不超过512。
代码范例
模型局限性以及可能的偏差
本模型基于conll2000数据集上训练，在垂类领域英语文本上的chunking效果会有降低，请用户自行评测后决定如何使用。
训练数据介绍
conll2000 Chunking英文公开数据集
chunk类型 英文名
- --------- --------
名词短语 NP
动词短语 VP
介词短语 PP
副词短语 ADVP
从句 SBAR
形容词短语 ADJP
小品词 PRT
连词短语 CONJP
感叹词 INTJ
序列标记 LST
非协调短语 UCP
数据评估及结果
模型在conll2000测试数据评估结果:
Dataset Precision Recall F1
- -- --- --- ---
conll2000 97.15 97.21 97.18
相关论文以及引用信息
如果你觉得这个该模型对有所帮助，请考虑引用下面的相关的论文：
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖，以原作者说明为准。
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。