cvalenciaunivalle/bilstm-crf-fasttext-charcnn-conll-bs16

bilstm-crf-fasttext-charcnn NER CoNLL-2002 (bs=16)

BiLSTM + CRF+CharCNN con embeddings FastText español (cc.es.300). Entrenado sobre CoNLL-2002 español. Modelo CUSTOM con trust_remote_code=True.

Métricas en test (CoNLL-2002)

Metric	Valor
F1	0.8059
Precision	0.8057
Recall	0.8061

Uso

# Requiere: pip install pytorch-crf
from transformers import AutoModelForTokenClassification, AutoConfig
import json

config = AutoConfig.from_pretrained("cvalenciaunivalle/bilstm-crf-fasttext-charcnn-conll-bs16", trust_remote_code=True)
model  = AutoModelForTokenClassification.from_pretrained("cvalenciaunivalle/bilstm-crf-fasttext-charcnn-conll-bs16", trust_remote_code=True)

# Cargar vocab (incluye word2idx, char2idx, id2tag)
from huggingface_hub import hf_hub_download
vocab_path = hf_hub_download("cvalenciaunivalle/bilstm-crf-fasttext-charcnn-conll-bs16", "vocab.json")
with open(vocab_path) as f:
    vocab = json.load(f)

# Predecir
oraciones_tokenizadas = [["Juan", "vive", "en", "Bogotá", "."]]
tags = model.predict(oraciones_tokenizadas, vocab)
print(tags)  # [['B-PER', 'O', 'O', 'B-LOC', 'O']]

Detalles

• Arquitectura: BiLSTM hidden=200, dropout=0.3, CRF de salida
• Word embeddings: 300d (FastText)
• CharCNN: 30d char emb -> Conv1d(filters=50, kernel=3) -> max-pool
• Batch size: 16, épocas: 10
• Compañeros: Laura Valero, Cristian Valencia
• Taller PLN — Maestría Univalle