You can deploy this model and start earning money today!

NICFRU/
nc_ner_gbert_large_model_german_trained

Name: nc_ner_gbert_large_model_german_trained
Availability: InStock

safetensors

bert

Views

No views yet

nc_ner_gbert_large_model_german_trained

Dieses Modell ist eine feinjustierte Variante von deepset/gbert-large und wurde auf dem german-ler-Datensatz mit feingranularen juristischen Entitäten (19 Labels) trainiert.
Es dient dem Vergleich mit kleineren BERT-Modellen hinsichtlich Performance und Effizienz im juristischen NER-Kontext.

Evaluationsergebnisse

F1-Score (micro avg): 0.9401
Precision (micro avg): 0.9218
Recall (micro avg): 0.9592
Loss: 0.0139

Klassenweise Metriken (fine level)

Klasse	Bedeutung	Coarse	Coarse Bedeutung	Precision	Recall	F1-Score	Support
PER	Person	PER	Person	0.9086	0.9191	0.9138	173
RR	Judge	PER	Person	0.9861	1.0000	0.9930	142
AN	Lawyer	PER	Person	1.0000	0.8333	0.9091	6
LD	Country	LOC	Location	0.9858	0.9329	0.9586	149
ST	City	LOC	Location	0.7639	0.8594	0.8088	64
STR	Street	LOC	Location	0.9286	0.8667	0.8966	15
LDS	Landscape	LOC	Location	0.5278	0.8636	0.6552	22
ORG	Organization	ORG	Organization	0.9204	0.9204	0.9204	113
UN	Company	ORG	Organization	0.9358	0.9444	0.9401	108
INN	Institution	ORG	Organization	0.9241	0.9324	0.9283	222
GRT	Court	ORG	Organization	0.9748	0.9626	0.9687	321
MRK	Brand	ORG	Organization	0.7632	0.9063	0.8286	32
GS	Law	NRM	Legal norm	0.9777	0.9890	0.9833	1818
VO	Ordinance	NRM	Legal norm	0.9048	0.8028	0.8507	71
EUN	EU legal norm	NRM	Legal norm	0.9045	0.9667	0.9251	150
VS	Regulation	REG	Case-by-c. regul.	0.7794	0.8281	0.8030	64
VT	Contract	REG	Case-by-c. regul.	0.8942	0.9621	0.9269	290
RS	Court decision	RS	Court decision	0.9104	0.9799	0.9439	1245
LIT	Legal literature	LIT	Legal literature	0.7337	0.8599	0.7918	314

Durchschnittswerte:

Macro avg (F1): 0.8919
Weighted avg (F1): 0.9413

Hinweis zur Metrikwahl

Für die Gesamteinschätzung wird der micro-average F1-Score verwendet, da hier alle Vorhersagen gleich gewichtet werden – unabhängig von der Klassengröße. Diese Methode ist besonders geeignet für sequenzbasierte Aufgaben wie NER, bei denen jede Token-Entscheidung den gleichen Einfluss auf die Gesamtleistung hat.

Überblick über die Metriktypen:

Micro average: Gesamtanzahl aller True Positives, False Positives und False Negatives → alle Klassenbeiträge gleich gewichtet
Macro average: Durchschnitt der Metriken über alle Klassen → alle Klassen gleich wichtig, unabhängig vom Support
Weighted average: Durchschnitt über alle Klassen, gewichtet nach Klassengröße → häufige Klassen haben mehr Einfluss

Trainingskonfiguration

Modell: deepset/gbert-large
Datensatz: german-ler (BIO-annotiert, 19 Feinlabels)
Trainingsepochen: 6
Batchgröße: 32
Lernrate: 2e-5
Weight Decay: 0.01
Evaluation alle: 200 Schritte
Selektion nach: F1-Score
Early Stopping: aktiviert, um Überanpassung zu vermeiden

Nutzung

Das Modell eignet sich für juristische NER-Anwendungen, bei denen eine detaillierte Extraktion juristisch relevanter Entitäten aus deutschsprachigen Rechtstexten gefragt ist – z. B. in LegalTech-Systemen, automatisierten Schriftsatzanalysen oder für juristische Wissensgraphen.

Training results

loss	epoch	step	eval_loss	eval_f1	eval_precision	eval_recall
0.6156	0.029958058717795086	50	nan	nan	nan	nan
0.131	0.05991611743559017	100	nan	nan	nan	nan
0.0901	0.08987417615338526	150	nan	nan	nan	nan
0.0647	0.11983223487118035	200	nan	nan	nan	nan
nan	0.11983223487118035	200	0.05919138714671135	0.732017823042648	0.6748826291079812	0.799721835883171
0.0684	0.14979029358897544	250	nan	nan	nan	nan
0.0574	0.17974835230677053	300	nan	nan	nan	nan
0.0581	0.2097064110245656	350	nan	nan	nan	nan
0.0529	0.2396644697423607	400	nan	nan	nan	nan
nan	0.2396644697423607	400	0.05266263708472252	0.6787610619469026	0.6119355353438647	0.7619709914563878
0.0468	0.2696225284601558	450	nan	nan	nan	nan
0.0477	0.2995805871779509	500	nan	nan	nan	nan
0.0486	0.32953864589574594	550	nan	nan	nan	nan
0.0332	0.35949670461354105	600	nan	nan	nan	nan
nan	0.35949670461354105	600	0.040142327547073364	0.8362893490574796	0.7850418410041841	0.8946950129147626
0.0426	0.3894547633313361	650	nan	nan	nan	nan
0.04	0.4194128220491312	700	nan	nan	nan	nan
0.0329	0.44937088076692633	750	nan	nan	nan	nan
0.0428	0.4793289394847214	800	nan	nan	nan	nan
nan	0.4793289394847214	800	0.037605926394462585	0.7773444753946147	0.7296496426703852	0.8317107093184979
0.0358	0.5092869982025164	850	nan	nan	nan	nan
0.0351	0.5392450569203115	900	nan	nan	nan	nan
0.0332	0.5692031156381067	950	nan	nan	nan	nan
0.0307	0.5991611743559018	1000	nan	nan	nan	nan
nan	0.5991611743559018	1000	0.029554303735494614	0.8686291321329903	0.8343704245973645	0.9058215775879197
0.0346	0.6291192330736968	1050	nan	nan	nan	nan
0.0242	0.6590772917914919	1100	nan	nan	nan	nan
0.0243	0.689035350509287	1150	nan	nan	nan	nan
0.0332	0.7189934092270821	1200	nan	nan	nan	nan
nan	0.7189934092270821	1200	0.028585752472281456	0.8749881167411351	0.8388625592417062	0.9143651897476655
0.0378	0.7489514679448772	1250	nan	nan	nan	nan
0.0246	0.7789095266626722	1300	nan	nan	nan	nan
0.0342	0.8088675853804673	1350	nan	nan	nan	nan
0.0291	0.8388256440982624	1400	nan	nan	nan	nan
nan	0.8388256440982624	1400	0.02948427014052868	0.8413112311417397	0.7917616126205084	0.8974766540830519
0.0406	0.8687837028160575	1450	nan	nan	nan	nan
0.0372	0.8987417615338527	1500	nan	nan	nan	nan
0.025	0.9286998202516477	1550	nan	nan	nan	nan
0.0264	0.9586578789694428	1600	nan	nan	nan	nan
nan	0.9586578789694428	1600	0.025683972984552383	0.8732658417697787	0.8266193433895297	0.9254917544208225
0.03	0.9886159376872379	1650	nan	nan	nan	nan
0.0205	1.0185739964050329	1700	nan	nan	nan	nan
0.0145	1.048532055122828	1750	nan	nan	nan	nan
0.0139	1.078490113840623	1800	nan	nan	nan	nan
nan	1.078490113840623	1800	0.02673141472041607	0.8959493184872336	0.8666666666666667	0.9272799523147228
0.0163	1.1084481725584183	1850	nan	nan	nan	nan
0.0239	1.1384062312762133	1900	nan	nan	nan	nan
0.0156	1.1683642899940083	1950	nan	nan	nan	nan
0.0178	1.1983223487118035	2000	nan	nan	nan	nan
nan	1.1983223487118035	2000	0.02600107342004776	0.8435423682533904	0.7783003023177696	0.9207232267037552
0.0157	1.2282804074295985	2050	nan	nan	nan	nan
0.0149	1.2582384661473935	2100	nan	nan	nan	nan
0.0227	1.2881965248651888	2150	nan	nan	nan	nan
0.0192	1.3181545835829838	2200	nan	nan	nan	nan
nan	1.3181545835829838	2200	0.024343570694327354	0.8778073848496383	0.8423744292237443	0.9163520762964434
0.0152	1.348112642300779	2250	nan	nan	nan	nan
0.0205	1.378070701018574	2300	nan	nan	nan	nan
0.024	1.4080287597363692	2350	nan	nan	nan	nan
0.0322	1.4379868184541642	2400	nan	nan	nan	nan
nan	1.4379868184541642	2400	0.035087354481220245	0.6913349741152508	0.6034074074074074	0.8092588913173058
0.0201	1.4679448771719592	2450	nan	nan	nan	nan
0.0224	1.4979029358897544	2500	nan	nan	nan	nan
0.0425	1.5278609946075494	2550	nan	nan	nan	nan
0.0474	1.5578190533253444	2600	nan	nan	nan	nan
nan	1.5578190533253444	2600	0.031948916614055634	0.7382958394857986	0.6558641975308642	0.8444267832306775
0.021	1.5877771120431396	2650	nan	nan	nan	nan
0.0228	1.6177351707609346	2700	nan	nan	nan	nan
0.0237	1.6476932294787296	2750	nan	nan	nan	nan
0.0224	1.6776512881965249	2800	nan	nan	nan	nan
nan	1.6776512881965249	2800	0.029736803844571114	0.7946308724832215	0.7228915662650602	0.8821776276574608
0.0261	1.70760934691432	2850	nan	nan	nan	nan
0.021	1.737567405632115	2900	nan	nan	nan	nan
0.0174	1.76752546434991	2950	nan	nan	nan	nan
0.021	1.7974835230677053	3000	nan	nan	nan	nan
nan	1.7974835230677053	3000	0.02513810805976391	0.798989078436682	0.7320542507442938	0.8793959864891715
0.0169	1.8274415817855003	3050	nan	nan	nan	nan
0.0221	1.8573996405032953	3100	nan	nan	nan	nan
0.0217	1.8873576992210905	3150	nan	nan	nan	nan
0.0174	1.9173157579388855	3200	nan	nan	nan	nan
nan	1.9173157579388855	3200	0.023385705426335335	0.8838001514004542	0.8437217705510388	0.9278760182793563
0.0204	1.9472738166566805	3250	nan	nan	nan	nan
0.0219	1.9772318753744758	3300	nan	nan	nan	nan
0.0089	2.007189934092271	3350	nan	nan	nan	nan
0.0082	2.0371479928100658	3400	nan	nan	nan	nan
nan	2.0371479928100658	3400	0.019637661054730415	0.9227039084472893	0.9012883668056082	0.9451619312537254
0.0083	2.067106051527861	3450	nan	nan	nan	nan
0.0092	2.097064110245656	3500	nan	nan	nan	nan
0.0065	2.127022168963451	3550	nan	nan	nan	nan
0.0078	2.156980227681246	3600	nan	nan	nan	nan
nan	2.156980227681246	3600	0.020610226318240166	0.9047120418848168	0.868421052631579	0.9441684879793364
0.0092	2.1869382863990414	3650	nan	nan	nan	nan
0.0057	2.2168963451168366	3700	nan	nan	nan	nan
0.0061	2.2468544038346314	3750	nan	nan	nan	nan
0.0084	2.2768124625524266	3800	nan	nan	nan	nan
nan	2.2768124625524266	3800	0.02074912004172802	0.9234182098765432	0.897282099343955	0.9511225909000596
0.0125	2.306770521270222	3850	nan	nan	nan	nan
0.0123	2.3367285799880166	3900	nan	nan	nan	nan
0.011	2.366686638705812	3950	nan	nan	nan	nan
0.0067	2.396644697423607	4000	nan	nan	nan	nan
nan	2.396644697423607	4000	0.02030772715806961	0.9292713689725429	0.9080394387561623	0.9515199682098152
0.0082	2.426602756141402	4050	nan	nan	nan	nan
0.0091	2.456560814859197	4100	nan	nan	nan	nan
0.0074	2.4865188735769923	4150	nan	nan	nan	nan
0.0113	2.516476932294787	4200	nan	nan	nan	nan
nan	2.516476932294787	4200	0.021802891045808792	0.9147645189251661	0.8876635514018691	0.9435724220147029
0.0115	2.5464349910125823	4250	nan	nan	nan	nan
0.0182	2.5763930497303775	4300	nan	nan	nan	nan
0.0094	2.6063511084481723	4350	nan	nan	nan	nan
0.0118	2.6363091671659675	4400	nan	nan	nan	nan
nan	2.6363091671659675	4400	0.02236076258122921	0.9153225806451613	0.8855656697009102	0.9471488178025035
0.0098	2.6662672258837627	4450	nan	nan	nan	nan
0.0079	2.696225284601558	4500	nan	nan	nan	nan
0.0084	2.7261833433193527	4550	nan	nan	nan	nan
0.0065	2.756141402037148	4600	nan	nan	nan	nan
nan	2.756141402037148	4600	0.022946279495954514	0.9190857363294436	0.8929910044977512	0.9467514404927478
0.0069	2.786099460754943	4650	nan	nan	nan	nan
0.0086	2.8160575194727384	4700	nan	nan	nan	nan
0.0086	2.846015578190533	4750	nan	nan	nan	nan
0.01	2.8759736369083284	4800	nan	nan	nan	nan
nan	2.8759736369083284	4800	0.02151244319975376	0.8928809048569528	0.8558673469387755	0.933240611961057
0.0076	2.9059316956261236	4850	nan	nan	nan	nan
0.0087	2.9358897543439184	4900	nan	nan	nan	nan
0.0112	2.9658478130617136	4950	nan	nan	nan	nan
0.0104	2.995805871779509	5000	nan	nan	nan	nan
nan	2.995805871779509	5000	0.023878246545791626	0.8814202981106997	0.844	0.9223127359427776
0.0096	3.0257639304973036	5050	nan	nan	nan	nan
0.0066	3.055721989215099	5100	nan	nan	nan	nan
0.007	3.085680047932894	5150	nan	nan	nan	nan
0.0073	3.115638106650689	5200	nan	nan	nan	nan
nan	3.115638106650689	5200	0.021819742396473885	0.9022657450076804	0.8729333085639978	0.9336379892708127
0.0049	3.145596165368484	5250	nan	nan	nan	nan
0.0045	3.1755542240862793	5300	nan	nan	nan	nan
0.0068	3.205512282804074	5350	nan	nan	nan	nan
0.0074	3.2354703415218693	5400	nan	nan	nan	nan
nan	3.2354703415218693	5400	0.023947738111019135	0.8841031453669594	0.8426359380626576	0.9298629048281343
0.0063	3.2654284002396645	5450	nan	nan	nan	nan
0.0059	3.2953864589574597	5500	nan	nan	nan	nan
0.0067	3.3253445176752545	5550	nan	nan	nan	nan
0.0048	3.3553025763930497	5600	nan	nan	nan	nan
nan	3.3553025763930497	5600	0.022567927837371826	0.8971162082421242	0.860979174278407	0.9364196304391019
nan	3.3553025763930497	5600	nan	nan	nan	nan

Framework versions

Transformers: 2.3.0
Pytorch: (siehe Umgebung)
Datasets: (siehe Umgebung)
Tokenizers: (siehe Umgebung)

NICFRU/nc_ner_gbert_large_model_german_trained