[Objective] This paper compares the prediction accuracy and efficiency of different machine learning algorithms, aiming to identify new consumers with repeat purchase intentions. It also provides a theoretical framework for customer classification. [Methods] First, we collected the server logs of a dealer on Taobao.com from 2015 to 2018,as well as its orders and consumers’ personal information. And then, we used different algorithms to train theproposedmodels. [Results] The SMOTE algorithm combined with the random forest algorithm obtained the highest prediction accuracy of 96%. [Limitations] The sample data size needs to be expanded. [Conclusions] The fusion algorithm basedon SMOTE and random forest has better performance in predicting repurchase intentions of new consumers.

基于BERT的中文数据集下的命名实体识别（NER） 基于tensorflow官方代码修改。 环境 Tensorflow：1.13 的Python：3.6 tensorflow2.0会报错。 搜狐比赛 在搜狐这个文本比赛中写了一个基准，使用了bert以及bert + lstm + crf来进行实体识别。 其后只使用BERT的结果如下，具体评估方案请看比赛说明，这里的话只做了实体部分，情感全部为POS进行的测试嘲笑。 使用bert + lstm + crf结果如下 训练验证测试 export BERT_BASE_DIR=/opt/hanyaopeng/souhu/data/chinese_L-

简介 1、本项目是在tensorflow版本1.14.0的基础上做的训练和测试。 2、本项目为中文的文本情感分析，为多文本分类，一共3个标签：1、0、-1，分别表示正面、中面和负面的情感。 3、欢迎大家联系我 4、albert_small_zh_google对应的百度云下载地址： 链接： 提取码：wuxw 使用方法 1、准备数据 数据格式为：sentiment_analysis_albert/data/sa_test.csv 2、参数设置 参考脚本 hyperparameters.py，直接修改里面的数值即可。 3、训练 python train.py 4、推理 python predict.py 知乎代码解读

提供bert分类模型，使用pytorch开发，已经训练好，可以下载下来直接使用，不需要重新训练，如有问题，请提示，谢谢

MRPC数据集，提取的多分类的任务。可分类10，跑pre-train

请看博客https://blog.csdn.net/qq_41335232/article/details/121664394

BERT文本分类代码对应的数据

使用预训练语言模型BERT做中文NER

伯特分类服务 介绍 使用训练分类模型并通过部署模型。 然后，我们可以使用REST API进行在线预测。 开始使用 整个实验基于Chnsenticorp数据集，该数据集是正面和负面情绪的两类数据集。 0.准备训练前模型 下载中文bert模型chinese_L-12_H-768_A-12 ，然后解压缩并移至models目录。 1.训练模型 sh fine-tuning.sh 2.进行预测和导出模型 我们需要将检查点更改为张量流服务的格式。 sh export-model.sh 然后， export-model的结构将为： . └── 1569141360 ├── saved_model.pb └── variables ├── variables.data-00000-of-00001 └── variables.index 3.部署模型

nlpgnn 包装说明 自然语言处理领域当前正在发生巨大变化，近年来，已经提出了许多出色的模型，包括BERT，GPT等。 同时，图形神经网络作为一种精美的设计正在诸如TextGCN和Tensor-TextGCN等自然语言处理领域中不断使用。 该工具箱专用于自然语言处理，希望以最简单的方式实现模型。 关键字：NLP； 神经网络 楷模： 伯特 阿尔伯特 GPT2 TextCNN Bilstm +注意 GCN，GAN 杜松子酒 TextGCN，TextSAGE 示例（有关更多详细信息，请参见测试）： BERT-NER（中英文版） BERT-CRF-NER（中英文版） BERT-CLS