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 с заменой NER-головы на двухклассовую (NAME / ADDRESS).

Входит в состав проекта PIIDetector — гибридного детектора персональных данных для русского языка на базе Microsoft Presidio.

Использование

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

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 (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	Взяли русскоязычные примеры, использовали только сущности NAME и ADDRESS
AlexKly/Detailed-NER-Dataset-RU	BIOLU-аннотированный русский NER, метки объединены в NAME и ADDRESS
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
• Бенчмарк: hivetrace/pii-bench