You can deploy this model and start earning money today!

Leo97/
KoELECTRA-small-v3-modu-ner

Name: KoELECTRA-small-v3-modu-ner
Availability: InStock

generated_from_trainer

autotrain_compatible

endpoints_compatible

Views

No views yet

KoELECTRA-small-v3-modu-ner

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

Loss: 0.1431
Precision: 0.8232
Recall: 0.8449
F1: 0.8339
Accuracy: 0.9628

Model description

태깅 시스템 : BIO 시스템

B-(begin) : 개체명이 시작할 때
I-(inside) : 토큰이 개체명 중간에 있을 때
O(outside) : 토큰이 개체명이 아닐 경우

한국정보통신기술협회(TTA) 대분류 기준을 따르는 15 가지의 태그셋

분류	표기	정의
ARTIFACTS	AF	사람에 의해 창조된 인공물로 문화재, 건물, 악기, 도로, 무기, 운송수단, 작품명, 공산품명이 모두 이에 해당
ANIMAL	AM	사람을 제외한 짐승
CIVILIZATION	CV	문명/문화
DATE	DT	기간 및 계절, 시기/시대
EVENT	EV	특정 사건/사고/행사 명칭
STUDY_FIELD	FD	학문 분야, 학파 및 유파
LOCATION	LC	지역/장소와 지형/지리 명칭 등을 모두 포함
MATERIAL	MT	원소 및 금속, 암석/보석, 화학물질
ORGANIZATION	OG	기관 및 단체 명칭
PERSON	PS	인명 및 인물의 별칭 (유사 인물 명칭 포함)
PLANT	PT	꽃/나무, 육지식물, 해초류, 버섯류, 이끼류
QUANTITY	QT	수량/분량, 순서/순차, 수사로 이루어진 표현
TIME	TI	시계상으로 나타나는 시/시각, 시간 범위
TERM	TM	타 개체명에서 정의된 세부 개체명 이외의 개체명
THEORY	TR	특정 이론, 법칙 원리 등

Intended uses & limitations

How to use

You can use this model with Transformers pipeline for NER.

python

from transformers import AutoTokenizer, AutoModelForTokenClassification
from transformers import pipeline

tokenizer = AutoTokenizer.from_pretrained("Leo97/KoELECTRA-small-v3-modu-ner")
model = AutoModelForTokenClassification.from_pretrained("Leo97/KoELECTRA-small-v3-modu-ner")
ner = pipeline("ner", model=model, tokenizer=tokenizer)

example = "서울역으로 안내해줘."
ner_results = ner(example)
print(ner_results)

Training and evaluation data

개체명 인식(NER) 모델 학습 데이터 셋

문화체육관광부 > 국립국어원 > 모두의 말뭉치 > 개체명 분석 말뭉치 2021
https://corpus.korean.go.kr/request/reausetMain.do

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 64
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 15151
num_epochs: 20
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
No log	1.0	3788	0.3978	0.5986	0.5471	0.5717	0.9087
No log	2.0	7576	0.2319	0.6986	0.6953	0.6969	0.9345
No log	3.0	11364	0.1838	0.7363	0.7612	0.7486	0.9444
No log	4.0	15152	0.1610	0.7762	0.7745	0.7754	0.9509
No log	5.0	18940	0.1475	0.7862	0.8011	0.7936	0.9545
No log	6.0	22728	0.1417	0.7857	0.8181	0.8016	0.9563
No log	7.0	26516	0.1366	0.8022	0.8196	0.8108	0.9584
No log	8.0	30304	0.1346	0.8093	0.8236	0.8164	0.9596
No log	9.0	34092	0.1328	0.8085	0.8299	0.8190	0.9602
No log	10.0	37880	0.1332	0.8110	0.8368	0.8237	0.9608
No log	11.0	41668	0.1323	0.8157	0.8347	0.8251	0.9612
No log	12.0	45456	0.1353	0.8118	0.8402	0.8258	0.9611
No log	13.0	49244	0.1370	0.8152	0.8416	0.8282	0.9616
No log	14.0	53032	0.1368	0.8164	0.8415	0.8287	0.9616
No log	15.0	56820	0.1378	0.8187	0.8438	0.8310	0.9621
No log	16.0	60608	0.1389	0.8217	0.8438	0.8326	0.9626
No log	17.0	64396	0.1380	0.8266	0.8426	0.8345	0.9631
No log	18.0	68184	0.1428	0.8216	0.8445	0.8329	0.9625
No log	19.0	71972	0.1431	0.8232	0.8455	0.8342	0.9628
0.1712	20.0	75760	0.1431	0.8232	0.8449	0.8339	0.9628

Framework versions

Transformers 4.27.4
Pytorch 2.0.0+cu118
Datasets 2.11.0
Tokenizers 0.13.3