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。

数据评估及结果

模型在Resume测试数据评估结果:

各个类型的性能如下: