Update README.md
Browse files
README.md
CHANGED
|
@@ -1,11 +1,18 @@
|
|
| 1 |
---
|
| 2 |
license: cc-by-nc-sa-4.0
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 3 |
---
|
| 4 |
|
| 5 |
# Descrição
|
| 6 |
Esse modelo spaCy NER (Reconhecimento de Entidade Nomeada) foi desenvolvido para identificar e simplificar termos jurídicos complexos em documentos legais.
|
| 7 |
O treinamento foi realizado com a categorização dos termos simplificados como Entidades.
|
| 8 |
A base de dados consistiu em 50 mil sentenças com termos complexos.
|
|
|
|
| 9 |
|
| 10 |
# Como Usar
|
| 11 |
|
|
@@ -37,4 +44,4 @@ doc = nlp(texto)
|
|
| 37 |
|
| 38 |
for ent in doc.ents:
|
| 39 |
print(ent.text, ent.label_)
|
| 40 |
-
```
|
|
|
|
| 1 |
---
|
| 2 |
license: cc-by-nc-sa-4.0
|
| 3 |
+
language:
|
| 4 |
+
- pt
|
| 5 |
+
library_name: spacy
|
| 6 |
+
pipeline_tag: feature-extraction
|
| 7 |
+
tags:
|
| 8 |
+
- legal
|
| 9 |
---
|
| 10 |
|
| 11 |
# Descrição
|
| 12 |
Esse modelo spaCy NER (Reconhecimento de Entidade Nomeada) foi desenvolvido para identificar e simplificar termos jurídicos complexos em documentos legais.
|
| 13 |
O treinamento foi realizado com a categorização dos termos simplificados como Entidades.
|
| 14 |
A base de dados consistiu em 50 mil sentenças com termos complexos.
|
| 15 |
+
Diretoria de Inteligência Artificial, Ciência de Dados e Estatística do Tribunal de Justiça do Estado de Goiás.
|
| 16 |
|
| 17 |
# Como Usar
|
| 18 |
|
|
|
|
| 44 |
|
| 45 |
for ent in doc.ents:
|
| 46 |
print(ent.text, ent.label_)
|
| 47 |
+
```
|