README.md · KoELECTRA-small-v3-modu-ner

1

---

2

tags:

3

- generated_from_trainer

4

metrics:

5

- precision

6

- recall

7

- f1

8

- accuracy

9

model-index:

10

- name: KoELECTRA-small-v3-modu-ner

11

results: []

12

language:

13

- ko

14

pipeline_tag: token-classification

15

widget:

16

- text: "서울역으로 안내해줘."

17

example_title: "Example 1"

18

- text: "에어컨 온도 3도 올려줘."

19

example_title: "Example 2"

20

- text: "아이유 노래 검색해줘."

21

example_title: "Example 3"

22

---

23

24

# KoELECTRA-small-v3-modu-ner

25

26

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.

27

It achieves the following results on the evaluation set:

28

- Loss: 0.1431

29

- Precision: 0.8232

30

- Recall: 0.8449

31

- F1: 0.8339

32

- Accuracy: 0.9628

33

34

## Model description

35

36

태깅 시스템 : BIO 시스템

37

- B-(begin) : 개체명이 시작할 때

38

- I-(inside) : 토큰이 개체명 중간에 있을 때

39

- O(outside) : 토큰이 개체명이 아닐 경우

40

41

한국정보통신기술협회(TTA) 대분류 기준을 따르는 15 가지의 태그셋

42

43

| 분류 | 표기 | 정의 |

44

|:------------:|:---:|:-----------|

45

| ARTIFACTS    | AF  | 사람에 의해 창조된 인공물로 문화재, 건물, 악기, 도로, 무기, 운송수단, 작품명, 공산품명이 모두 이에 해당 |

46

| ANIMAL | AM | 사람을 제외한 짐승 |

47

| CIVILIZATION | CV | 문명/문화 |

48

| DATE | DT | 기간 및 계절, 시기/시대 |

49

| EVENT | EV | 특정 사건/사고/행사 명칭 |

50

| STUDY_FIELD | FD | 학문 분야, 학파 및 유파 |

51

| LOCATION | LC | 지역/장소와 지형/지리 명칭 등을 모두 포함 |

52

| MATERIAL | MT | 원소 및 금속, 암석/보석, 화학물질 |

53

| ORGANIZATION | OG | 기관 및 단체 명칭 |

54

| PERSON | PS | 인명 및 인물의 별칭 (유사 인물 명칭 포함) |

55

| PLANT | PT | 꽃/나무, 육지식물, 해초류, 버섯류, 이끼류 |

56

| QUANTITY | QT | 수량/분량, 순서/순차, 수사로 이루어진 표현 |

57

| TIME | TI | 시계상으로 나타나는 시/시각, 시간 범위 |

58

| TERM | TM | 타 개체명에서 정의된 세부 개체명 이외의 개체명 |

59

| THEORY | TR | 특정 이론, 법칙 원리 등 |

60

61

## Intended uses & limitations

62

63

### How to use

64

You can use this model with Transformers *pipeline* for NER.

65

```python

66

from transformers import AutoTokenizer, AutoModelForTokenClassification

67

from transformers import pipeline

68

69

tokenizer = AutoTokenizer.from_pretrained("Leo97/KoELECTRA-small-v3-modu-ner")

70

model = AutoModelForTokenClassification.from_pretrained("Leo97/KoELECTRA-small-v3-modu-ner")

71

ner = pipeline("ner", model=model, tokenizer=tokenizer)

72

73

example = "서울역으로 안내해줘."

74

ner_results = ner(example)

75

print(ner_results)

76

```

77

78

## Training and evaluation data

79

80

개체명 인식(NER) 모델 학습 데이터 셋

81

- 문화체육관광부 > 국립국어원 > 모두의 말뭉치 > 개체명 분석 말뭉치 2021

82

- https://corpus.korean.go.kr/request/reausetMain.do

83

84

## Training procedure

85

86

### Training hyperparameters

87

88

The following hyperparameters were used during training:

89

- learning_rate: 5e-05

90

- train_batch_size: 64

91

- eval_batch_size: 64

92

- seed: 42

93

- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08

94

- lr_scheduler_type: linear

95

- lr_scheduler_warmup_steps: 15151

96

- num_epochs: 20

97

- mixed_precision_training: Native AMP

98

99

### Training results

100

101

102

|:-------------:|:-----:|:-----:|:---------------:|:---------:|:------:|:------:|:--------:|

103

| No log | 1.0 | 3788 | 0.3978 | 0.5986 | 0.5471 | 0.5717 | 0.9087 |

104

| No log | 2.0 | 7576 | 0.2319 | 0.6986 | 0.6953 | 0.6969 | 0.9345 |

105

| No log | 3.0 | 11364 | 0.1838 | 0.7363 | 0.7612 | 0.7486 | 0.9444 |

106

| No log | 4.0 | 15152 | 0.1610 | 0.7762 | 0.7745 | 0.7754 | 0.9509 |

107

| No log | 5.0 | 18940 | 0.1475 | 0.7862 | 0.8011 | 0.7936 | 0.9545 |

108

| No log | 6.0 | 22728 | 0.1417 | 0.7857 | 0.8181 | 0.8016 | 0.9563 |

109

| No log | 7.0 | 26516 | 0.1366 | 0.8022 | 0.8196 | 0.8108 | 0.9584 |

110

| No log | 8.0 | 30304 | 0.1346 | 0.8093 | 0.8236 | 0.8164 | 0.9596 |

111

| No log | 9.0 | 34092 | 0.1328 | 0.8085 | 0.8299 | 0.8190 | 0.9602 |

112

| No log | 10.0 | 37880 | 0.1332 | 0.8110 | 0.8368 | 0.8237 | 0.9608 |

113

| No log | 11.0 | 41668 | 0.1323 | 0.8157 | 0.8347 | 0.8251 | 0.9612 |

114

| No log | 12.0 | 45456 | 0.1353 | 0.8118 | 0.8402 | 0.8258 | 0.9611 |

115

| No log | 13.0 | 49244 | 0.1370 | 0.8152 | 0.8416 | 0.8282 | 0.9616 |

116

| No log | 14.0 | 53032 | 0.1368 | 0.8164 | 0.8415 | 0.8287 | 0.9616 |

117

| No log | 15.0 | 56820 | 0.1378 | 0.8187 | 0.8438 | 0.8310 | 0.9621 |

118

| No log | 16.0 | 60608 | 0.1389 | 0.8217 | 0.8438 | 0.8326 | 0.9626 |

119

| No log | 17.0 | 64396 | 0.1380 | 0.8266 | 0.8426 | 0.8345 | 0.9631 |

120

| No log | 18.0 | 68184 | 0.1428 | 0.8216 | 0.8445 | 0.8329 | 0.9625 |

121

| No log | 19.0 | 71972 | 0.1431 | 0.8232 | 0.8455 | 0.8342 | 0.9628 |

122

| 0.1712 | 20.0 | 75760 | 0.1431 | 0.8232 | 0.8449 | 0.8339 | 0.9628 |

123

124

125

### Framework versions

126

127

- Transformers 4.27.4

128

- Pytorch 2.0.0+cu118

129

- Datasets 2.11.0

130

- Tokenizers 0.13.3

131