裁判文书中的命名实体识别是自动化审判的关键一步，如何能够有效的分辨出案件的关键命名实体是本文的研究重点.因此本文针对财产纠纷审判案件，提出了一种基于SVM-BiLSTM-CRF的神经网络模型.首先利用SVM筛选出包含关键命名实体的句子，然后将正确包含此类实体的句子转化为字符级向量作为输入，构建适合财产纠纷裁判文书命名实体识别的BiLSTM-CRF深层神经网络模型.通过构建训练数据进行验证和对比，该模型比其他相关模型表现出更高的召回率和准确率.
2021-10-31 16:58:52
1.1MB
1
基于扩张神经网络（Divolved Convolutions）训练好的医疗领域的命名实体识别工具，这里主要引用模型源码，以及云部署方式供大家交流学习。
环境
阿里云服务器：Ubuntu 16.04
Python版本：3.6
Tensorflow：1.5
第一步：来一个Flask实例，并跑起来：
使用的是Pycharm创建自带的Flask项目，xxx.py
from flask import Flask
app = Flask(__name__)
@app.route('/')
def hello_world():
return 'Hello World!'
if __name__ == '__main__':
app.run()
执行python xxx.py就可以运行在浏览器中测试若直接在dos窗口中：输入命令也可测试。
第二部：服务器配置
服务器python版本为3.x
安装pi
2021-10-23 09:53:59
4.12MB
1
LAnn标注工具
当前情况
目前为封闭域关系三元组标注，不提供新关系的标注，之前开放域关系三元组版本将不再维护，不再维护，不再维护，存在BUG！存在BUG！存在BUG！。
计划脱离对Django框架的依赖，借助PyQt的WebEngine实现标注界面和Python程序数据传输，更好地支持Pytorch和数据处理，已基本打通JS和Python之间的墙壁。
计划加入预训练BERT模型。
LAnn简介
LAnn（Little Annotator）是一个用于标注三元组的纯前段中文标注工具。具有使用简单的特点，采用网页的形式，使用浏览器便可运行。标注过程、结果直观，易后处理。基本不用配置，快速上手。可只用于NER标注，也可以适当修改，改为POS标注（实体类型改为词性，只进行实体标注）或者分词标注（设置特殊的实体类型“词语”，只进行实体标注）。
可以先后导入test.txt、entity_dict，然
2021-10-20 13:24:27
6.82MB
1
CwsPosNerEntityRecognition
中英文Cws Pos Ner实体识别工具，使用CNN双向lstm和crf模型，并带有char嵌入。基于字向量的CNN池化双向BiLSTM与CRF模型的网络，可能一体化的完成中文和英文分词，词性标注，实体识别。主要包括原始文本数据，数据转换，训练脚本，预训练模型，可用于序列标注研究。注意：唯一需要实现的逻辑是将用户数据转化为序列模型。分词准确率约为93％，词性标注准确率约为90％，实体标注（在本样本上）约为85％。
提示
中文分词，词性标注，实体识别，在使用上述模型时，本质是就是标注问题！！！如果您第一次使用相关的模型，只需加上self.c
2021-10-18 22:10:58
52.4MB
1