课程目标：
学习完本门课程，您将对自然语言处理技术有更深入的了解，彻底掌握中文命名实体识别技术。
适用人群：
自然语言处理从业者、深度学习爱好者
课程简介：
命名实体识别作为自然语言处理的基础技术之一，在自然语言处理上游各个任务（问答系统、机器翻译、对话系统等）重扮演者十分重要的角色，因此深入掌握命名实体识别技术，是作为自然语言处理从业者毕本技能，本课程理论与实践相结合，希望能给大家带来帮助。
课程要求：
（1）开发环境：Python3.6.5 Tensorflow1.13.1；（2）开发工具：Pycharm；
（3）学员基础：需要一定的Python基础，及深度学习基础；
（4）学院收货：掌握命名实体识别关键技术；
（5）学院资料：见课程资料；
（6）课程亮点：全程实战操作，徒手撸代码。
2021-08-08 21:24:43
503B
1
本文主要是对在线问诊中产生的医疗文本进行命名实体识别的研究.使用在线医疗问答网站的数据，采用{B，I，O}标注体系构建数据集，抽取疾病、治疗、检查和症状四个医疗实体.以BiLSTM-CRF为基准模型，提出两种深度学习模型IndRNN-CRF和IDCNN-BiLSTM-CRF，并在自构建数据集上验证模型的有效性.将新提出的两种模型与基准模型通过实验对比得出：模型IDCNN-BiLSTM-CRF的F1值0.8116，超过了BiLSTM-CRF的F1值0.8009，IDCNN-BiLSTM-CRF整体性能好于BiLSTM-CRF模型；模型IndRNN-CRF的精确率0.8427，但该模型在召回率上低于基准模型BiLSTM-CRF.
2021-08-05 11:01:14
1.36MB
1
农业知识图谱(AgriKG)：农业领域的信息检索，命名实体识别，关系抽取，智能问答，辅助决策
2021-08-05 09:51:53
350.25MB
1
采用如下标注方法：
nr人名 ns 地名 nt 机构团体 “团”的声母为t，名词代码n和t并在一起。 nz 其他专名 eg:红军/nt 将领/o 孙毅/nr 将军/o 为/o 我们/o 收藏/o 的/o 二十余册/o （/o １９３７年/o —/o １９４５年/o ）/o 晋察冀抗日根据地/ns 出版物/o
2021-07-24 11:31:50
3.2MB
1
为了降低生物医学文本中命名实体识别对目标领域标注数据的需求，将生物医学文本中的命名实体识别问题转换为基于迁移学习的隐马尔可夫模型问题。对要进行命名实体识别的目标领域数据集无须进行大量数据标注，通过迁移学习的方法实现对目标领域的识别分类；以相关领域数据为辅助数据集，利用数据引力的方法评估辅助数据集的样本在目标领域学习中的贡献程度，在辅助数据集和目标领域数据集上计算权值进行迁移学习。基于权值学习模型，构建基于迁移学习的隐马尔可夫模型算法BioTrHMM。在GENIA语料库的数据集上的实验表明，BioTrHMM算法比传统的隐马尔可夫模型算法具有更好的性能，仅需要少量的目标领域标注数据即可具有较好的命名实体识别性能。
2021-07-17 15:45:49
968KB
1
基于Pytorch的Bert应用，包括命名实体识别、情感分析、文本分类以及文本相似度等(后续更新其他方向相关模块)，并有相关数据与深度训练优化方式api。各个子项目大都为开源工作，本项目仅做相应处理以及提供一个已训练的预测接口，方便需求者进行快速的使用。本项目仅作为学习与研究使用，若存在侵权行为，请原作者务必联系我进行协商处理。
2021-07-08 15:02:44
716KB
词库
这是在ACL 2019上发布的“”的实现。这项工作的重点是它仅使用实体词典执行NER，而没有任何标签数据。
顺便说一下，我们最近出版了另一本与中文NER相关的作品。 它旨在通过词典增强中文NER。 这项工作的重点是它具有很高的计算效率，同时与现有方法相比，具有可比性或更好的性能。 您可以在访问该作品的源代码及其相关论文的超链接。
设置并运行
下载Gloves.6B.100d.txt
环境
pytorch 1.1.0 python 3.6.4 cuda 8.0
运行代码说明
短语一
训练打印参数run python feature_pu_model.py -
2021-07-03 23:22:39
5MB
1