Update README.md
Browse files
README.md
CHANGED
|
@@ -1,3 +1,71 @@
|
|
| 1 |
-
---
|
| 2 |
-
|
| 3 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
---
|
| 2 |
+
language: en
|
| 3 |
+
tags:
|
| 4 |
+
- ner
|
| 5 |
+
- recipes
|
| 6 |
+
- token-classification
|
| 7 |
+
- named-entity-recognition
|
| 8 |
+
- cooking
|
| 9 |
+
metrics:
|
| 10 |
+
- accuracy
|
| 11 |
+
- f1
|
| 12 |
+
license: apache-2.0
|
| 13 |
+
---
|
| 14 |
+
|
| 15 |
+
# Recipe NER Model
|
| 16 |
+
|
| 17 |
+
Модель для выделения именованных сущностей (NER) из кулинарных рецептов на английском языке.
|
| 18 |
+
|
| 19 |
+
## Описание
|
| 20 |
+
|
| 21 |
+
Модель обучена на датасете из ~50,000 рецептов. Распознает ингредиенты, количества, единицы измерения и другие сущности в текстах рецептов.
|
| 22 |
+
|
| 23 |
+
## Распознаваемые сущности
|
| 24 |
+
|
| 25 |
+
| Метка | Описание |
|
| 26 |
+
|-------|----------|
|
| 27 |
+
| NAME | Название ингредиента |
|
| 28 |
+
| QTY | Количество |
|
| 29 |
+
| UNIT | Единица измерения |
|
| 30 |
+
| COMMENT | Действие / комментарий |
|
| 31 |
+
| RANGE_END | Конец диапазона |
|
| 32 |
+
| INDEX | Индекс |
|
| 33 |
+
| OTHER | Прочее |
|
| 34 |
+
|
| 35 |
+
## Использование
|
| 36 |
+
|
| 37 |
+
```python
|
| 38 |
+
from transformers import pipeline
|
| 39 |
+
|
| 40 |
+
ner = pipeline(
|
| 41 |
+
"token-classification",
|
| 42 |
+
model="fastyBOOM/Recipe_Analysis_AndreevDA",
|
| 43 |
+
aggregation_strategy="simple"
|
| 44 |
+
)
|
| 45 |
+
|
| 46 |
+
recipe = "Mix 200 grams of flour with 2 eggs and 100 ml of milk"
|
| 47 |
+
result = ner(recipe)
|
| 48 |
+
for entity in result:
|
| 49 |
+
print(f"{entity['word']}: {entity['entity_group']}")
|
| 50 |
+
```
|
| 51 |
+
## Результаты обучения
|
| 52 |
+
|
| 53 |
+
| Epoch | Training Loss | Validation Loss | Precision | Recall | F1 | Accuracy |
|
| 54 |
+
|-------|---------------|-----------------|-----------|--------|--------|----------|
|
| 55 |
+
| 1 | 0.3328 | 0.3286 | 0.8821 | 0.8789 | 0.8805 | 0.8960 |
|
| 56 |
+
| 2 | 0.2928 | 0.2954 | 0.8850 | 0.8979 | 0.8914 | 0.9057 |
|
| 57 |
+
| 3 | 0.2800 | 0.2866 | 0.8918 | 0.9037 | 0.8977 | 0.9108 |
|
| 58 |
+
| 4 | 0.2398 | 0.2868 | 0.8944 | 0.9072 | 0.9008 | 0.9116 |
|
| 59 |
+
| 5 | 0.2398 | 0.2869 | 0.8993 | 0.9089 | 0.9041 | 0.9139 |
|
| 60 |
+
|
| 61 |
+
### Финальные метрики (валидация)
|
| 62 |
+
|
| 63 |
+
| Метрика | Значение |
|
| 64 |
+
|-----------|----------|
|
| 65 |
+
| Loss | 0.2866 |
|
| 66 |
+
| Accuracy | 0.9108 |
|
| 67 |
+
| F1-score | 0.8977 |
|
| 68 |
+
| Precision | 0.8918 |
|
| 69 |
+
| Recall | 0.9037 |
|
| 70 |
+
|
| 71 |
+
### Модель обучена на Google Colab. Ноутбук обучения доступен в репозитории.
|