tgool/Dietkobert

KoBERT-NER-Diet

KoBERT를 이용한 Diet Domain 한국어 Named Entity Recognition(NER) 작업을 위한 가이드입니다. 🤗 Huggingface Transformers 라이브러리를 활용하여 KoBERT를 손쉽게 사용할 수 있습니다.

How to use KoBERT on Huggingface Transformers Library

• 기존의 KoBERT를 transformers 라이브러리에서 곧바로 사용할 수 있도록 최적화하였습니다.
  • transformers v2.2.2부터는 개인이 만든 모델을 transformers를 통해 직접 업로드하고 다운로드하여 사용할 수 있습니다.
• Tokenizer를 사용하려면 utils.py에서 KoBERTTokenizer를 임포트해야 합니다.

from transformers import BertModel
from kobert_tokenizer import KoBERTTokenizer

def load_tokenizer(args):
    bert_tokenizer = KoBERTTokenizer.from_pretrained(pretrained_model_name_or_path="skt/kobert-base-v1")
    return bert_tokenizer

Usage

$ python3 main.py --model_type kobert --do_train --do_eval

• --write_pred 옵션을 주면 evaluation의 prediction 결과가 preds 폴더에 저장됩니다.

Prediction

$ python3 predict.py --input_file {INPUT_FILE_PATH} --output_file {OUTPUT_FILE_PATH} --model_dir {SAVED_CKPT_PATH}

Results

모델	Slot F1 (%)
KoBERT	99.00
DistilKoBERT	90.00
Bert-Multilingual	99.00

데이터 설명

• FOOD-B: 음식 시작 태그
• FOOD-I: 음식 안에 있는 태그
• QTY-B: 수량 시작 태그
• QTY-I: 수량 안에 있는 태그
• UNIT-B: 단위 시작 태그

NER 입력 예시

나는 한잔은 아이스 아메리카노를 마시고 디저트는 마카롱 3개를 먹음.

NER 출력 예시

나는 [한:QTY-B] [잔:UNIT-B] 은 [아이스:FOOD-B] [아메리카노:FOOD-I] 마시고 디저트는 [마카롱:FOOD-B] [3:QTY-B] [개:UNIT-B] 를 먹음.

References

• Naver NLP Challenge
• Huggingface Transformers