使用 cl‑tohoku/bert‑base‑japanese‑v2 的日语 NER,能够提取八种实体类型(公司、政治/其他组织、设施、产品、事件),通过 BertForTokenClassification 实现,训练数据来自 Stockmark Wikipedia dataset,并可通过安装 transformers、unidic_lite 和 fugashi 使用,遵循 CC BY‑SA 3.0 许可。
其他语言的说明
统计
统计数据截至 2026年11月16日
Hugging Face 下载数(近 30 天)
5,000
Hugging Face 点赞数
11
收录日
—
自页面创建时收录
下载数(近 30 天)变化
以表格显示
| 月份 | 下载(30天) |
|---|---|
| 2025年12月 | 9,000 |
| 2026年1月 | 9,000 |
| 2026年2月 | 10,000 |
| 2026年3月 | 17,000 |
| 2026年4月 | 16,000 |
| 2026年5月 | 19,000 |
| 2026年6月 | 15,000 |
| 2026年7月 | 16,000 |
| 2026年8月 | 5,000 |
| 2026年9月 | 3,000 |
| 2026年10月 | 4,000 |
| 2026年11月 | 5,000 |
各月最后一次快照时的近 30 天下载数。
同分类的热门资源
- bert-base-japanese-v3-ner-wikipedia-datasetllm-book8kFine‑tuned Japanese BERT‑Base适用于在维基百科数据集上的命名实体识别,该模型在《*Large Language Model Introduction*》一书第六章中呈现,并可通过Hugging Face transformers pipeline进行部署(Apache 2.0 许可)。
- xlm-roberta-ner-japanesetsmatz4k在日语 NER 语料库上对 XLM‑RoBERTa‑base 进行微调(标签 PER, ORG, LOC, INS, PRD, EVT),使用 5‑epoch Adam(lr 5e‑5,batch 12),达到 0.0173 的验证损失,已发布在 Transformers 4.23.1 和 PyTorch 1.12.1。
研究领域相近的资源
japanese_text_classificationMasao-Taketani9调查各种DNN文本分类器,包括MLP、CNN、RNN、BERT方法。GitHub共同: 信息抽取与文本挖掘・信息检索
bert-japanese-ner-finetuningken1111用于BERT模型微调的代码。这是一个用于创建和使用用于命名实体识别任务的模型的示例。GitHub共同: 语言模型・语义文本处理
novelanalysisbynerlychee12232BERT模型微调用于命名实体识别GitHub共同: 信息抽取与文本挖掘・命名实体识别
DocumentClassificationUsingBERT-Japanesenekoumei0使用BERT进行文档分类-日语GitHub共同: 信息抽取与文本挖掘・信息检索- modernbert-ja-310msbintuitions36kModernBERT‑Ja‑310M 是一种日语 BERT 变体,融合了局部-全局注意力和 RoPE,训练于 4.09 T 日语/英语文本,支持 102 400 词汇量、8 192 令牌序列,并针对 Flash Attention 2 进行了优化。共同: 语言模型・语义文本处理
- deberta-v2-base-japaneseku-nlp24kJapanese DeBERTa V2 基础模型已在 171 GB 的日语维基百科、CC‑100 和 OSCAR 数据上预训练,使用 Juman++ 分词和 SentencePiece 标记化,经过三周在八块 NVIDIA A100 GPU 上训练,现已准备好用于微调。共同: 语言模型・语义文本处理