supply-chain-bert

基于 bert-base-chinese 微调的中文供应链关系分类模型（PaddlePaddle）。

给定两个行业/产品实体，判断其供应链关系：上游 / 下游 / 其他。

模型信息

属性	值
基础模型	bert-base-chinese
框架	PaddlePaddle
分类头	Linear(768 → 3) + Dropout(0.1)
训练集规模	~513,000 条三元组
最大序列长度	128

输入格式

[CLS]{entity1}[SEP]{entity2}[SEP]

快速使用

pip install paddlepaddle paddlenlp

import paddle
from paddlenlp.transformers import BertModel, BertTokenizer
from huggingface_hub import hf_hub_download

LABEL_MAP = {"下游": 0, "其他": 1, "上游": 2}
ID_TO_LABEL = {v: k for k, v in LABEL_MAP.items()}

# 下载模型权重
model_path = hf_hub_download("wuhongfei/supply-chain-bert", "best_model.pdparams")

# 加载模型
tokenizer = BertTokenizer.from_pretrained("bert-base-chinese")
bert = BertModel.from_pretrained("bert-base-chinese")

# 推理
entity1, entity2 = "钢铁冶炼", "汽车制造"
text = f"[CLS]{entity1}[SEP]{entity2}[SEP]"
encoded = tokenizer(text, max_length=128, padding="max_length", truncation=True)
input_ids = paddle.to_tensor([encoded["input_ids"]], dtype="int64")
token_type_ids = paddle.to_tensor([encoded["token_type_ids"]], dtype="int64")

或直接使用仓库推理脚本：

git clone https://github.com/wuhongfei/supply-chain-bert
cd supply-chain-bert
python infer.py --model best_model.pdparams --entity1 钢铁冶炼 --entity2 汽车制造

训练配置

超参数	值
学习率	3e-5
Batch Size	32
Epochs	20
Weight Decay	0.01
Warmup Proportion	0.1
优化器	AdamW

关联资源

• 代码：github.com/wuhongfei/supply-chain-bert
• 数据集：huggingface.co/datasets/wuhongfei/supply-chain-triplets

License

MIT