🛒 C10 NER – Extraction d'entités pour commandes B2B CHR
Modèle NER fine-tuné sur le catalogue C10 (Cafés, Hôtels, Restaurants). Pipeline adaptatif supportant des datasets de 3K à 100K+ exemples.
Stack technique
- spaCy
fr_core_news_lg+ tok2vec → pipeline principal (rapide, déployé par défaut) - DistilCamemBERT
cmarkea/distilcamembert-base→ fallback du cascade, appelé uniquement si tok2vec échoue à constituer le panier - Dedup : MinHash LSH (datasketch) sur datasets ≥ 50K
- Split : stratifié par combinaison de labels
Entités reconnues
| Label | Source CSV | Exemple |
|---|---|---|
PRODUCT |
LibelleCourt |
Coca-Cola, 1664, Absolut |
SKU |
sku |
1200000030 |
QUANTITY |
(commande) | 5, 12 |
FAMILLE |
Famille |
bières, vins, softs |
FORMAT |
Contenance+UniteContenance |
33cl, 75cl, 1L |
MARQUE |
MarqueFabricant |
Grimbergen, Nicolas Feuillatte |
CONDITIONNEMENT |
UniteVente |
caisse, pack, palette |
UNITE_VENTE |
(commande) | bouteille, canette, fût |
Usage rapide
import spacy
nlp = spacy.load("Kahouli/c10-ner-b2b")
doc = nlp("Je voudrais 5 caisses de Coca-Cola 33cl")
for ent in doc.ents:
print(ent.text, ent.label_)
- Downloads last month
- 22
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support