> For the complete documentation index, see [llms.txt](https://docs.tabiya.org/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.tabiya.org/tabiya-documentation/es/nuestra-pila-tecnologica/livelihoods-classifier/advanced-topics.md). # Temas avanzados En esta página nuestro objetivo es ofrecer más detalles sobre las clases y funciones ubicadas en el repositorio de GitHub. ## inferencia/linker.`py` ### clase EntityLinker Crea una tubería de un transformador de reconocimiento de entidades y un transformador de oraciones para generar incrustaciones de texto. #### Parámetros de inicialización entity\_model : str, default='tabiya/roberta-base-job-ner' Ruta a un `AutoModelForTokenClassification` modelo preentrenado o un `AutoModelCrfForNer` modelo. Este modelo se utiliza para el reconocimiento de entidades dentro del texto de entrada. similarity\_model : str, default='all-MiniLM-L6-v2' Ruta o nombre de un modelo de transformador de oraciones usado para generar incrustaciones de texto. El transformador de oraciones se usa para calcular incrustaciones de las entidades extraídas y de los conjuntos de referencia. El modelo 'all-mpnet-base-v2' está disponible pero no está en caché, por lo que debe usarse con el parámetro `from_cache=False` al menos la primera vez. crf : bool, default=False Una bandera para indicar si se debe usar un `AutoModelCrfForNer` modelo en lugar de un estándar `AutoModelForTokenClassification`. `CRF` Los modelos (Campo Aleatorio Condicional) se utilizan cuando la tarea requiere predicciones secuenciales con dependencias entre las salidas. evaluation\_mode : bool, default=False Si se establece en `True`, el enlazador devolverá las puntuaciones de similitud coseno entre las incrustaciones. Este modo es útil para evaluar la calidad de las vinculaciones. k : int, default=32 Especifica el número de elementos a recuperar de los conjuntos de referencia. Este parámetro limita el número de mejores coincidencias a considerar al enlazar entidades. from\_cache : bool, default=True Si se establece en `True`, las incrustaciones precalculadas se cargan desde la caché para ahorrar tiempo. Si se establece en `False`, las incrustaciones se calculan sobre la marcha, lo que requiere acceso a GPU para ser eficiente y puede llevar mucho tiempo. output\_format : str, default='occupation' Especifica el formato de salida para ocupaciones, ya sea `ocupación`, `etiqueta preferida`, `esco_code`, `uuid` o `todo` para obtener todas las columnas. El `uuid` también está disponible para las habilidades. #### Parámetros de llamada text : str Una cadena arbitraria relacionada con una vacante de empleo. linking : bool, default=True Especifica si el modelo realiza el enlace de entidades con la taxonomía. ### clase FrenchEntityLinker Versión francesa del enlazador de entidades. Para usarlo, necesitamos reescribir las bases de datos de referencia a la versión francesa de ESCO. ## `inferencia/evaluator.py` ## clase Evaluator(EntityLinker) Clase Evaluator que hereda del Entity Linker. Calcula las consultas, el corpus, el corpus invertido y los documentos relevantes para el [InformationRetrievalEvaluator](https://github.com/UKPLab/sentence-transformers/blob/master/sentence_transformers/evaluation/InformationRetrievalEvaluator.py), realiza el enlace de entidades y calcula las métricas de recuperación de información. ### Parámetros de inicialización entity\_type: str Ocupación, Habilidad o Cualificación para determinar el conjunto exacto de evaluación que se usará. ## `util/transformersCRF.py` ### clase CRF(nn.Module) Implementado a partir de [aquí](https://github.com/lonePatient/BERT-NER-Pytorch/tree/master). Una clase que crea un modelo lineal de Campo Aleatorio Condicional. ### clase AutoModelForCrfPretrainedConfig(PretrainedConfig) Clase de configuración que hereda de [PretrainedConfig ](https://huggingface.co/docs/transformers/en/main_classes/configuration#transformers.PretrainedConfig)clase de HuggingFace. ### clase AutoModelCrfForNer(PreTrainedModel) Una clase general que hereda de [clase PreTrainedModel de HuggingFace](https://huggingface.co/docs/transformers/en/main_classes/model#transformers.PreTrainedModel) clase. El model\_type se detecta automáticamente. model\_type: str Las opciones posibles incluyen `BertCrfForNer`, `RobertaCrfForNer` y `DebertaCrfForNer.` ### clase BERT\_CRF\_Config(PretrainedConfig) Clase personalizada usada para configurar BERT para CRF. ### clase BertCrfForNer(PreTrainedModel) Modelo CRF basado en BERT que hereda de [clase PreTrainedModel de HuggingFace](https://huggingface.co/docs/transformers/en/main_classes/model#transformers.PreTrainedModel) clase. Igual que [clase PreTrainedModel de HuggingFace](https://huggingface.co/docs/transformers/en/main_classes/model#transformers.PreTrainedModel). #### Parámetros de forward Igual que [clase PreTrainedModel de HuggingFace](https://huggingface.co/docs/transformers/en/main_classes/model#transformers.PreTrainedModel) excepto por `special_tokens_mask` predeterminado: None. Usamos esta opción de HuggingFace como un pequeño truco para implementar el special\_mask necesario para CRF. ### clase ROBERTA\_CRF\_Config(PretrainedConfig) Clase personalizada usada para configurar RoBERTa para CRF. ### clase RobertaCrfForNer(PreTrainedModel) Modelo CRF basado en RoBERTa que hereda de [clase PreTrainedModel de HuggingFace](https://huggingface.co/docs/transformers/en/main_classes/model#transformers.PreTrainedModel) clase. Igual que [clase PreTrainedModel de HuggingFace](https://huggingface.co/docs/transformers/en/main_classes/model#transformers.PreTrainedModel). #### Parámetros de forward Igual que [clase PreTrainedModel de HuggingFace](https://huggingface.co/docs/transformers/en/main_classes/model#transformers.PreTrainedModel) excepto por `special_tokens_mask` predeterminado: None. Usamos esta opción de HuggingFace como un pequeño truco para implementar el special\_mask necesario para CRF. ### clase DEBERTA\_CRF\_Config(PretrainedConfig) Clase personalizada usada para configurar RoBERTa para CRF. ### clase DebertaCrfForNer(PreTrainedModel) Modelo CRF basado en RoBERTa que hereda de [clase PreTrainedModel de HuggingFace](https://huggingface.co/docs/transformers/en/main_classes/model#transformers.PreTrainedModel) clase. Igual que [clase PreTrainedModel de HuggingFace](https://huggingface.co/docs/transformers/en/main_classes/model#transformers.PreTrainedModel). #### Parámetros de forward Igual que [clase PreTrainedModel de HuggingFace](https://huggingface.co/docs/transformers/en/main_classes/model#transformers.PreTrainedModel) excepto por `special_tokens_mask` predeterminado: None. Usamos esta opción de HuggingFace como un pequeño truco para implementar el special\_mask necesario para CRF. ## `util/utilfunctions.py` ### clase Config Clase de configuración para los [hiperparámetros de entrenamiento](/tabiya-documentation/es/nuestra-pila-tecnologica/livelihoods-classifier/training.md#train-an-entity-extraction-model). ### clase CPU\_Unpickler Una clase que carga los tensores en la CPU. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` GET https://docs.tabiya.org/tabiya-documentation/es/nuestra-pila-tecnologica/livelihoods-classifier/advanced-topics.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.