主要实现使用了基于字向量的四层双向LSTM与CRF模型的网络.该项目提供了原始训练数据样本(一般醒目,出院情况,病史情况,病史特点,诊疗经过)与转换版本,训练脚本,预训练模型,可用于序列标注研究.把玩和PK使用

中文NER 本项目使用 python 2.7 张量流1.7.0 火炬0.4.0 对命名实体识别不了解的可以先看一下这篇。顺便求star〜 这是最简单的一个命名实体识别BiLSTM + CRF模型。 数据 数据文件夹中有三个开源数据集可以使用，玻森数据（ ），1998年人民日报标注数据，MSRA微软亚洲研究院开源数据。其中，boson数据集有6种实体类型，人民日报语料和MSRA一般只提取人名，地名，组织名三种实体类型。 先运行数据中的python文件处理数据，供模型使用。 张量流版 开始训练 使用python train.py开始训练，训练的模型会存到模型文件夹中。 使用预训练的词向量 使

使用BiLSTM-CRF模型的NER任务的PyTorch解决方案。 此存储库包含BiLSTM-CRF模型的PyTorch实现，用于命名实体识别任务。 代码结构 在项目的根目录，您将看到： ├── pyner | └── callback | | └── lrscheduler.py　　 | | └── trainingmonitor.py　 | | └── ... | └── config | | └── basic_config.py #a configuration file for storing model parameters | └── dataset

对应github：https://github.com/YWP-2019/ALBERT-CRF-for-name-quantity-and-geographic-entity-extraction

对应github：https://github.com/YWP-2019/ALBERT-CRF-for-name-quantity-and-geographic-entity-extraction

我搜集的基本上最全的关于CRF的资料，基本可以满足各位的需求了。

CRF++-0.58.tar.gz CRF++-0.58.tar.gz CRF++-0.58.tar.gz CRF++-0.58.tar.gz

随着医疗信息化的发展，医院产生了大量的医疗数据信息，积累了庞大的医疗电子病历数据。电子病历（EMR）是具有非结构化句子和多种概念表达，为医学信息提取提供了丰富的信息。然而，庞大的数据信息严重影响处理效率，因此提取电子病历中的命名实体成为研究的热点问题。为提高医院对复杂数据的处理效率，减轻工作人员的压力，本文提出了一种基于条件随机场（CRF）模型和特征模板结合的算法，来识别中文电子病历中的命名实体单元，识别准确率可以达到92.9%，可以有效地识别电子病历命名实体。基于本文采用的方法可以来结构化电子病历，减轻医生负担，推动医疗领域的发展。

针对中文命名实体识别（NER），采用IDCNN+CRF的方法。

LSTM-CNNs-CRF模型，论文《End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF》的复现