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

行业分类-物理装置-基于命名实体识别的案件信息提取方法.zip

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

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。

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。

该代码是基于深度学习的命名实体识别的实现。命名实体识别是自然语言处理中尤为重要的一部分。

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 -

spacy-lookup: 基于字典的命名实体识别

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。

基于几个可用的NER和RE数据集定义了7个实体标签和9个关系标签。实体(Entity)：每个实体都由带有多个属性的T标签标识。关系(Relation):每个关系由R标签标识，该标签可以具有多个属性。