---
language:
- ru
license: mit
tags:
- spacy
- token-classification
- ner
- pii
- russian
- named-entity-recognition
base_model:
- explosion-ai/spacy-ru_core_news_lg
model-index:
- name: spacy_ru_core_news_lg_pii
  results:
  - task:
      type: token-classification
      name: Named Entity Recognition
    dataset:
      name: hivetrace/pii-bench
      type: hivetrace/pii-bench
    metrics:
    - type: f1
      value: 0.944
      name: NAME F1
    - type: f1
      value: 0.824
      name: ADDRESS F1
---

# spacy_ru_core_news_lg_pii

spaCy NER-модель для детекции имён (ФИО) и адресов в русскоязычных текстах.
Дообучена на основе [`ru_core_news_lg`](https://spacy.io/models/ru#ru_core_news_lg)
с заменой NER-головы на двухклассовую (NAME / ADDRESS).

Входит в состав проекта [PIIDetector](https://github.com/dbashkirov/pii_detection) —
гибридного детектора персональных данных для русского языка на базе Microsoft Presidio.

## Использование

```bash
pip install spacy>=3.8.0,<3.9.0 pymorphy3>=1.0.0
```

```python
import spacy

nlp = spacy.load("alrosait/spacy_ru_core_news_lg_pii")

doc = nlp("Иван Петров, г. Москва, ул. Ленина 5")
for ent in doc.ents:
    print(ent.text, ent.label_)
# Иван Петров NAME
# г. Москва, ул. Ленина 5 ADDRESS
```

## Поддерживаемые сущности

| Метка     | Описание                                                    |
|-----------|-------------------------------------------------------------|
| `NAME`    | ФИО: полное, сокращённое, с инициалами, в различных падежах |
| `ADDRESS` | Почтовые адреса: город, улица, дом, квартира                |

## Метрики

Оценка на [hivetrace/pii-bench](https://huggingface.co/datasets/hivetrace/pii-bench) (1 810 примеров, exact match):

| Сущность  | Precision | Recall | F1        |
|-----------|-----------|--------|-----------|
| NAME      | 0.968     | 0.921  | **0.944** |
| ADDRESS   | 0.824     | 0.824  | **0.824** |

## Архитектура

- **Базовая модель**: `ru_core_news_lg` (tok2vec + 300-мерные векторы)
- **Pipeline**: `tok2vec` → `ner` (senter отключён для инференса)
- **Tok2Vec**: MultiHashEmbed (width=96) + MaxoutWindowEncoder (depth=4, window=1)
- **NER**: TransitionBasedParser.v2 (hidden=64, state_type=ner)
- **Язык**: ru, spaCy ≥ 3.8.0

## Обучающие данные

Модель обучена на объединённом датасете из трёх источников:

| Источник                                                                                                                       | Описание                                                                 |
|--------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------|
| [scanpatch/pii-ner-corpus-synthetic-controlled](https://huggingface.co/datasets/scanpatch/pii-ner-corpus-synthetic-controlled) | Взяли русскоязычные примеры, использовали только сущности NAME и ADDRESS |
| [AlexKly/Detailed-NER-Dataset-RU](https://huggingface.co/datasets/AlexKly/Detailed-NER-Dataset-RU)                             | BIOLU-аннотированный русский NER, метки объединены в NAME и ADDRESS      |
| [alrosait/pii-synthetic-ru](https://huggingface.co/datasets/alrosait/pii-synthetic-ru)                                         | Собственный синтетический датасет (4 500 примеров, 13 доменов)           |

**Итоговый размер:** 13 052 train / 1 451 dev документов; 11 460 / 1 264 сущностей
(NAME: 6 298 / 694, ADDRESS: 5 162 / 570).

## Связанные ресурсы

- **Датасет**: [alrosait/pii-synthetic-ru](https://huggingface.co/datasets/alrosait/pii-synthetic-ru)
- **Бенчмарк**: [hivetrace/pii-bench](https://huggingface.co/datasets/hivetrace/pii-bench)