|
--- |
|
tags: |
|
- generated_from_trainer |
|
metrics: |
|
- precision |
|
- recall |
|
- f1 |
|
- accuracy |
|
model-index: |
|
- name: KoELECTRA-small-v3-modu-ner |
|
results: [] |
|
language: |
|
- ko |
|
pipeline_tag: token-classification |
|
widget: |
|
- text: "서울역으로 안내해줘." |
|
example_title: "Example 1" |
|
- text: "에어컨 온도 3도 올려줘." |
|
example_title: "Example 2" |
|
- text: "아이유 노래 검색해줘." |
|
example_title: "Example 3" |
|
--- |
|
|
|
# KoELECTRA-small-v3-modu-ner |
|
|
|
This model is a fine-tuned version of [monologg/koelectra-small-v3-discriminator](https://huggingface.co/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 |
|
|
