metadata
license: mit
language:
- pt
pipeline_tag: token-classification
base_model: neuralmind/bert-base-portuguese-cased
widget:
- text: >-
Em termos de períodos geológicos, cada tipo de rocha está associado a
diferentes épocas e processos na história da Terra. Por exemplo, as rochas
ígneas são frequentemente associadas a períodos de intensa atividade
vulcânica, como o período Mesozoico, quando os dinossauros dominavam a
Terra. As rochas sedimentares, por sua vez, são encontradas em abundância
em depósitos de antigas bacias oceânicas e lagos, como durante o período
Cenozoico. Já as rochas metamórficas são frequentemente associadas a
períodos de intensa atividade tectônica, como durante o período
Proterozoico, quando supercontinentes se formaram e se fragmentaram.
example_title: Example 1
- text: >-
O petróleo é gerado nas bacias sedimentares a partir de matéria orgânica
acumulada, juntamente com sedimentos inorgânicos, em ambientes deficientes
em oxigénio. Esta acumulação faz-se, em geral, no fundo de lagos, lagunas
ou mares com deficiente movimentação e de correntes junto ao fundo. A
matéria orgânica, assim, embora preservada da oxidação, sofre modificações
resultantes de reações químicas inorgânicas e pela ação de bactérias, do
que resulta a geração de algum gás biogénico e a transformação da restante
matéria orgânica em querogénio, um material rico em hidrocarbonetos
sólidos muito pesados. As rochas ricas em querogénio, em geral rochas
detríticas finas (xistos betuminosos) ou carbonatadas (calcários e margas
betuminosas), designam-se por rochas-mãe ou rochas geradoras, porque é
nelas que ocorrerá a geração do petróleo.
example_title: Example 2
This model is a Brazilian Portuguese Named Entity Recognition (NER), based on neuralmind/bert-base-portuguese-cased base model and specialized in Geological concepts. It was trained for 3 epochs using the dataset from this paper.
You can find the notebook used to train the model here. Trainer output was:
To use this model, run into a pipeline:
## run the prediction
txt = YOUR_TEXT
classifier = pipeline("ner", model=model, tokenizer=tokenizer, aggregation_strategy='simple')
entities = classifier(txt)
## display in a fancy way
dict_ents = {
'text': txt,
'ents': [{'start': ent['start'], 'end': ent['end'], 'label': ent['entity_group']} for ent in entities],
'title': None
}
displacy.render(dict_ents, manual=True, style="ent")