AWED-FiNER框架详解：SampurNER_Bengali_MuRIL作为专家检测器的应用

【免费下载链接】SampurNER_Bengali_MuRIL项目地址: https://ai.gitcode.com/hf_mirrors/prachuryyaIITG/SampurNER_Bengali_MuRIL

SampurNER_Bengali_MuRIL是基于Google MuRIL模型在孟加拉语SampurNER数据集上微调的细粒度命名实体识别（NER）模型，作为AWED-FiNER框架中的专家检测器，专为解决低资源语言的细粒度实体识别挑战而设计。该模型通过EaMaTa框架构建，利用Few-NERD数据集的标签体系，实现对孟加拉语文本中复杂实体类型的精准识别。

什么是AWED-FiNER框架？

AWED-FiNER（Agents, Web applications, and Expert Detectors for Fine-grained Named Entity Recognition）是一个创新的多语言细粒度命名实体识别框架，旨在为全球66亿 speakers 提供跨36种语言的实体识别能力。框架的核心组件包括：

• 智能代理（Agents）：协调不同语言专家模型的任务分配与结果整合
• 网络应用（Web applications）：提供用户友好的交互界面与API服务
• 专家检测器（Expert Detectors）：针对特定语言优化的细粒度NER模型，如SampurNER_Bengali_MuRIL

该框架的技术细节在论文《AWED-FiNER: Agents, Web applications, and Expert Detectors for Fine-grained Named Entity Recognition across 36 Languages for 6.6 Billion Speakers》中有详细阐述，为多语言NLP任务提供了全新的解决方案。

SampurNER_Bengali_MuRIL模型核心特性

细粒度实体标签体系

基于Few-NERD数据集构建的标签系统，将实体分为8个大类和数十个子类，实现前所未有的识别精度：

• Location：GPE（国家/城市）、水体、岛屿、山脉等
• Person：演员、艺术家/作家、运动员、政治家等职业细分
• ORG：公司、教育机构、政府组织、媒体等
• Building：机场、医院、酒店、体育设施等
• Art：音乐、电影、文学作品、绘画等
• Product：飞机、汽车、食品、软件等
• Event：攻击、选举、自然灾害、体育赛事等
• Misc：天文、奖项、生物、疾病等特殊类别

模型配置文件[config.json]中定义了133种实体标签（包括B/I/O标记），完整覆盖了复杂场景下的实体识别需求。

性能表现

在孟加拉语SampurNER数据集上的评估结果显示：

• Precision: 66.54
• Recall: 70.08
• F1 Score: 68.26

这一性能在低资源语言的细粒度NER任务中处于领先水平，证明了模型在处理孟加拉语复杂实体时的有效性。

技术架构

模型基于[google/muril-large-cased]预训练模型构建，采用BertForTokenClassification架构，关键参数包括：

• 隐藏层大小：1024
• 注意力头数量：16
• 隐藏层数量：24
• 词汇表大小：197285

训练过程使用AdamW优化器，学习率5e-5，权重衰减0.01，在64 batch size下训练6个epochs，确保模型充分收敛。

快速开始使用指南

环境准备

首先安装必要的依赖库：

pip install smolagents gradio_client

基本使用示例

通过AWED-FiNER工具类加载并使用模型：

from tool import AWEDFiNERTool # 初始化工具，指定模型空间ID tool = AWEDFiNERTool( space_id="prachuryyaIITG/AWED-FiNER" ) # 处理文本并获取实体识别结果 result = tool.forward( text="জুড বেলিংহাম 2023 সালে রিয়াল ম্যাড্রিডে যোগ দিয়েছেন।", language="Bengali" ) print(result)

完整项目获取

要获取完整的模型和代码，请克隆仓库：

git clone https://gitcode.com/hf_mirrors/prachuryyaIITG/SampurNER_Bengali_MuRIL

应用场景与价值

SampurNER_Bengali_MuRIL作为AWED-FiNER框架的关键组件，在多个领域具有重要应用价值：

• 多语言内容分析：为跨语言信息检索提供实体级理解
• 社交媒体监控：精准识别孟加拉语社交内容中的人物、组织和事件
• 新闻自动化处理：自动提取新闻文章中的关键实体，支持内容分类与推荐
• 低资源NLP研究：为其他低资源语言的NER模型开发提供参考范式

引用与贡献

如果您在研究中使用了SampurNER_Bengali_MuRIL，请引用以下论文：

@inproceedings{kaushik2026sampurner, title={SampurNER: Fine-Grained Named Entity Recognition Dataset for 22 Indian Languages}, volume={40}, url={https://ojs.aaai.org/index.php/AAAI/article/view/40405}, DOI={10.1609/aaai.v40i37.40405}, number={37}, journal={Proceedings of the AAAI Conference on Artificial Intelligence}, author={Kaushik, Prachuryya and Anand, Ashish}, year={2026}, month={Mar.}, pages={31410-31418} } @misc{kaushik2026awedfineragentswebapplications, title={AWED-FiNER: Agents, Web applications, and Expert Detectors for Fine-grained Named Entity Recognition across 36 Languages for 6.6 Billion Speakers}, author={Prachuryya Kaushik and Ashish Anand}, year={2026}, eprint={2601.10161}, archivePrefix={arXiv}, primaryClass={cs.CL}, url={https://arxiv.org/abs/2601.10161}, }

该项目由Prachuryya Kaushik和Ashish Anand教授共同开发，是SampurNER系列研究的重要组成部分，也是AWED-FiNER多语言实体识别生态的关键一环。更多信息可访问项目的交互式演示空间和GitHub仓库获取。

【免费下载链接】SampurNER_Bengali_MuRIL项目地址: https://ai.gitcode.com/hf_mirrors/prachuryyaIITG/SampurNER_Bengali_MuRIL