NestedNER介绍

模型描述

本方法采用Global Poiter模型，使用ezha-c-base作为预训练模型底座。模型训练由AdaSeq框架支持。 模型结构如下图所示：

可参考论文：Global Poiter: Novel Efficiet Spa-based Approach for Named Etity Recogitio

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

本模型除安装ModelScope外，还需单独安装AdaSeq，安装方法：

pip istall adaseq

之后即可使用AdaSeq中的模型库实现amed-etity-recogitio(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.pipelies import pipelie
from modelscope.utils.costat import Tasks

er_pipelie = pipelie(Tasks.amed_etity_recogitio, 'damo/lp_ested-er_amed-etity-recogitio_chiese-base-med')
result = er_pipelie('1、可测量目标： 1周内胸闷缓解。2、下一步诊疗措施：1.心内科护理常规，一级护理，低盐低脂饮食，留陪客。2.予“阿司匹林肠溶片”抗血小板聚集，“呋塞米、螺内酯”利尿减轻心前负荷，“瑞舒伐他汀”调脂稳定斑块，“厄贝沙坦片”降血压抗心机重构')

prit(result)

模型局限性以及可能的偏差

本模型基于内部医疗数据集alimed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

• alimed: 内部中文医疗命名实体识别数据集，共5551个句子。

数据评估及结果

模型在alimed测试数据评估结果:

各个类型的性能如下:

相关论文以及引用信息

如果你觉得这个该模型对有所帮助，请考虑引用下面的相关的论文：

@article{Su2022GlobalPN,
  title={Global Poiter: Novel Efficiet Spa-based Approach for Named Etity Recogitio},
  author={Jiali Su ad Ahmed Murtadha ad Shegfeg Pa ad Jig Hou ad Ju Su ad Wawei Huag ad Bo We ad Yufeg Liu},
  joural={ArXiv},
  year={2022},
  volume={abs/2208.03054}
}

NestedNER介绍 模型描述 本方法采用Global Pointer模型，使用nezha-cn-base作为预训练模型底座。模型训练由AdaSeq框架支持。 模型结构如下图所示： 可参考论文：G