from gliner import GLiNER

# Initialize GLiNER with the base model
model = GLiNER.from_pretrained("etdvprg/martial-law_tl_gliner_large")

# Sample text for entity prediction
# Reference: [The Guidon Vol.43 No.7](https://archives.theguidon.com/issue/vol-43-no-7)
text = """"
Pagkalipas ng labinlimang taong paglilingkod, maaaring maalis na kay G. Arnulfo Goco ang prangkisa ng serbisyo ng bus sa Ateneo.
Nangyari ito sa dahilan ng di-pagkakasundo ni Goco at ng tatlong taong gulang na unyon ng kanyang mga tsuper. Dinaraing ng mga kasapi ng unyon sa mga naganap na hayag na paglilitis na di-makatuwiran ang pangangasiwa ni Goco sa mga tsuper. Hindi sila nabibigyan ng sapat na karapatan upang maitatag na mabuti ang kanilang unyon. Halimbawa na rito ang palit na paglagda nila ng Collective Bargaining Agreement (CBA) upang makakuha ng pamaskong bonus. Isang kasunduan o kontrata ang CBA sa pagitan na tagapamahala at ang kanyang mga tagagawa.
Hinihiling ng unyon na pumayag ang Ateneo na wakasan ang kasunduang serbisyo ng pamantasan kay Goco upang makakuha ang mga tsuper ng bagong mamanahala ng bus na si G. Jose Franco Olona. Sumang-ayon ang Ateneo na pag-aralan ito kung matutupad ng bagong mamanahala ang sumusunod: 1) Makapagbibigay siya ng maaasahan at magaling na uri ng serbisyo tulad o mas mahusay kay Goco, 2) Mayroon siyang sapat na bilang na bus na ligtas na makapagdadala ng mga estudiante, 3) Tatanggapin niya ang mga tsuper na kasapi ng unyon, 4) Bibigyan ang mga tsuper ng higit na malaking kabuhayan. Sa bagong CBA, susubukan ang isang kasunduang kooperatiba. Maaaring gawing kaparti ang mga tsuper sa tubo ng namamahala sa bus. Sa karaniwan, iniwasan ng Ateneo ang makialam sa mga suliranin ng tagapamahala at mga manggagawa.
"""

# Labels for entity prediction
# Most GLiNER models should work best when entity types are in lower case or title case

# labels were pre-selected
labels = [
        "Person-Individual",
        "Person-Collective",
        "Organization-Political",
        "Organization-Government",
        "Organization-Military",
        "Organization-Other",
        "Location",
        "Object-Weapon",
        "Time",
        "Event",
        "Production-Media",
        "Production-Government",
        "Production-Doctrine",
        "Numerical Statistics"
    ]

# Perform entity prediction
entities = model.predict_entities(text, labels, threshold=0.5)

# Display predicted entities and their labels
for entity in entities:
    print(entity["text"], "=>", entity["label"])

# Sample output:
# G. Arnulfo Goco => Person-Individual
# Ateneo => Location
# Goco => Person-Individual
# Collective Bargaining Agreement => Production-Government # contract
# CBA => Production-Government # shorthand
# Ateneo => Organization-Other # second instance would refer to the org