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 |
+
```
|