gliner_large-v1

项目介绍：GLiNER-Large-v1

GLiNER-Large-v1 是一款命名实体识别（NER）模型。该模型旨在识别文本中任何类型的实体，采用类似 BERT 的双向 Transformer 编码器。与传统的 NER 模型相比，GLiNER 在实体识别的灵活性上更胜一筹。虽然大型语言模型（LLMs）提供了很好的灵活性，但它们往往过于庞大且成本较高，难以在资源有限的场景中使用。而 GLiNER 解决了这个问题。

背景与应用

GLiNER-Large-v1 版本使用了 Pile-NER 数据集进行训练，主要用于研究目的。其主要应用场景包括自动信息提取、文本分析、以及其他涉及智能文本处理的领域。通过识别和分类文本中的实体，可以帮助开发者从海量数据中提取有价值的信息。

项目资源与链接

• 论文链接: GLiNER论文
• 代码仓库: GLiNER GitHub

可用模型版本

如何使用GLiNER

为了使用 GLiNER 模型，首先需要安装 gliner Python 库：

!pip install gliner

安装完成后，可以借助 GLiNER 类来加载预训练的模型并预测文本中的实体。例如：

from gliner import GLiNER

model = GLiNER.from_pretrained("urchade/gliner_large-v1")

text = """
Cristiano Ronaldo dos Santos Aveiro 是一名葡萄牙职业足球运动员，效力于沙特职业联赛和葡萄牙国家队。
"""

labels = ["person", "award", "date", "competitions", "teams"]

entities = model.predict_entities(text, labels)

for entity in entities:
    print(entity["text"], "=>", entity["label"])

命名实体识别基准测试结果

GLiNER 在各种基准测试中表现优异，提供了可靠的实体识别能力。用户可以根据自己的需求和场景灵活应用。

项目作者

• Urchade Zaratiana
• Nadi Tomeh
• Pierre Holat
• Thierry Charnois

希望以上信息可以帮助你更好地了解 GLiNER-Large-v1 项目及其应用方式。