Ongoing research training transformer language models at scale, including: BERT
2021-09-13 11:27:35
85KB
1
一种用于关系三重提取的级联二进制标记框架
该存储库包含该论文的源代码和数据集：一种用于关系三重提取的新颖级联二进制标记框架。，，，袁田，。 ACL2020。
概述
提出的CasRel框架的核心是全新的观点，即我们将关系建模为将主体映射到对象的函数，而不是将关系视为实体对上的离散标签。更确切地说，我们不是学习关系分类器f（s，o）-> r，而是学习特定于关系的标记f_ {r}（s）-> o，每个标记都可以识别给定主题下的可能对象。一个特定的关系。在这种框架下，关系三重提取是一个分为两个步骤的过程：首先，我们确定句子中所有可能的主语；然后针对每个主题，我们应用特定于关系的标记器来同时识别所有可能的关系和相应的对象。
要求
此仓库已在Python 3.7和Keras 2.2.4上进行了测试。主要要求是：
tqdm
编解码器
凯拉斯伯特= 0.80.0
tensorflow-gpu = 1.
2021-09-11 19:30:55
30KB
1
1、run_cnews_classifier.py 原生bert实现的文本分类
原文链接：
2、run_tnews_classifier.py 基于keras_bert实现的文本分类
原文链接：
3、run_lcqmc_similarity.py 基于bert4keras实现的文本相似度计算
原文链接：
4、run_kashgari_classifier.py 基于kashgari实现的文本分类
原文链接：
5、run_ChineseDailyNerCorpus.py 基于kashgari + bert/albert实现的ner
原文链接：
6、Bert_Train.py 基于bert训练模型，并保存为pb格式
原文链接：
7、Bert_Predict.py requests调用tf serving中的bert模型
原文链接：
8、fastbert.py 基于fastbert实现文本分类
2021-09-09 19:11:30
6.44MB
1
随着BERT等预训练模型横空出世，NLP方向迎来了一波革命，预训练模型在各类任务上均取得了惊人的成绩。随着各类预训练任务层出不穷，也有部分研究者考虑如何在BERT这一类模型中引入或者强化知识图谱中包含的信息，进而增强BERT对背景知识或常识信息的编码能力。
2021-09-09 11:33:39
10.7MB
1
本实验的数据来源NLPCC2014的微博情感分析任务，共48876条样本。这些数据中包含的8不同类别，分别为：
没有任何：
幸福：
喜欢：
惊喜：
厌恶：
愤怒：
悲伤：
害怕：
2021-09-07 13:03:44
69KB
训练数据来自https://xueqiu.com，为中文。正样本（pos）：6873条，负样本（neg）：3591条；
使用albert_chinese_small，参数全调，epoch=10，lr=0.001，准确率97%；
使用albert_chinese_small只调节原始模型的一层，一层密集与后接的两层密集，epoch=30，lr=0.004，准确率92%；
2021-09-07 13:03:44
32.02MB
KBQA-BERT
基于知识图谱的QA系统，BERT模型需要下载BERT预训练模型（中文）chinese_L-12_H-768_A-12 解压缩后放在./ModelParams文件夹里面（注意整个chinese_L-12_H-768_A-12文件夹放进去）
另外需要在根目录建立输出文件夹存放训练的模型参数文件分为输出/ NER（命名实体识别）文件夹和输出/ SIM（相似度）文件夹
1.run_ner.sh训练（命名实体识别）
2.terminal_ner.sh（命名实体识别测试）
3.args.py
train = true预训练模式
test = true相似度测试
4.run_similarity相似度的训练或测试（根据第3步的设置决定）
5.qa_my.sh（连接了本地的neo4j知识库）
问答
参考： :
2021-09-05 19:50:45
5.79MB
1
Multi-label Classification with BERT; Fine Grained Sentiment Analysis from AI challenger
2021-09-05 10:26:06
3.31MB
1