LSTM命名实体识别-中文-简历领域
本方法采用char-BiLSTM-CRF模型
  • 模型资讯
  • 模型资料

模型介绍

模型描述

本方法采用char-BiLSTM-CRF模型,word-embedding使用Chinese-Word-Vectors

模型结构可参考论文:Neural Architectures for Named Entity Recognition

期望模型使用方式以及适用范围

本模型主要用于给输入中文句子产出命名实体识别结果。用户可以自行尝试输入中文句子。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named-entity-recognition(命名实体识别)的能力, 默认单句长度不超过512。

代码范例

from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks

ner_pipeline = pipeline(Tasks.named_entity_recognition, 'damo/nlp_lstm_named-entity-recognition_chinese-resume')
result = ner_pipeline('常建良,男,')

print(result)
# {'output': [{'type': 'NAME', 'start': 0, 'end': 3, 'span': '常建良'}]}

模型局限性以及可能的偏差

本模型基于Resume数据集(简历领域)上训练,在垂类领域中文文本上的NER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

  • Resume 简历领域中文命名实体识别公开数据集,包括国籍、教育背景、籍贯、人名、组织名、专业、民族、职称,共4761个句子。
实体类型 英文名
国籍 CONT
教育背景 EDU
籍贯 LOC
人名 NAME
组织名 ORG
专业 PRO
民族 RACE
职称 TITLE

数据评估及结果

模型在Resume测试数据评估结果:

Dataset Precision Recall F1
Resume 94.01 94.36 94.18

各个类型的性能如下:

Dataset Precision Recall F1
NAME 0.9911 0.9911 0.9911
PRO 0.8571 0.9091 0.8824
EDU 0.9649 0.9821 0.9735
TITLE 0.9405 0.9417 0.9411
ORG 0.9242 0.9259 0.9250
CONT 1.0000 1.0000 1.0000
RACE 1.0000 1.0000 1.0000
LOC 1.0000 1.0000 1.0000