使用BERT的越南语NER（bert-vn-ner） 由Trong-Dat Ngo编写的代码。 引言 BERT模型的Pytorch实现为越南语执行命名实体识别（NER）。 此外，单词中的特征也用于表示单词。 该系统使用预训练模型 安装 要求： Python 3.6+ 火炬1.4+ 安装依赖项： pip3 install -r requirements.txt 数据集格式 bert-vn-ner的输入数据格式遵循CoNLL-2003格式，其中四列由制表符分隔，包括word ， pos ， chunk和named实体。 每个单词都放在单独的行上，每个句子后面都有一个空行。 请注意，分词不用于匹配BERT的预训练（以bert-base-multilingual-cased表示） 。 有关详细信息，请参见“数据”目录中的样本数据。 下表描述了数据集中的越南语例句示例。 单词 销售点

中文人名语料库（Chinese-Names-Corpus） 业余项目“萌名NameMoe（一个基于语料库技术的取名工具）”的副产品。 萌名手机网页测试版： ，欢迎体验。 不定期更新。只删词，不加词。 可用于中文分词、人名识别。 请勿将本库打包上传其他网站挣积分，已上传的请配合删除，谢谢！ 中文常见人名（Chinese_Names_Corpus） 数据大小：120万。 语料来源：从亿级人名语料中提取。 数据清洗：已清洗，但仍存有少量badcase。 新增人名生成器。 中文古代人名（Ancient_Names_Corpus） 数据大小：25万。 语料来源：多个人名词典汇总。 数据清洗：已清洗。 中文姓氏（Chinese_Family_Name） 数据大小：1千。 语料来源：从亿级人名语料中提取。 数据清洗：已清洗。 中文称呼（Chinese_Relationship） 数据大小：5千，称呼词根

命名实体识别数据集ccks2020

Pytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zip Pytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项

ner_crf ner_crf是Jupyter笔记本，它使用 / 实现，使用条件随机字段（CRF）描述了命名实体识别（NER）。 依存关系 ner_crf用编写，因此在使用python3之前应下载最新版本的python3 。 可以从找到python的下载（建议使用3.5.1版）。 您还需要能够运行Jupyter Notebook（请参阅 ）。 还需要以下python库来运行ner_crf笔记本：

命名实体识别预料 resume，开箱即用，方便快捷

Biomedical Named Entity Recognition Using Conditional Random Fields and Rich Feature Sets（2004） 2004年，Burr Settles使用具有多种传统和新颖特征的条件随机场（crf）同时识别蛋白质、DNA、RNA、细胞系和细胞类型实体类，并且表明这种方法可以在70左右达到F1的总体测量值，是当时最先进水平。

2002，Jun’ichi Kazama，Takaki Makino等人使用支持向量机（SVM）在生物医学命名实体识别中，结果表明多项式核函数的SVM系统优于基于ME的系统。

Bert 模型采取了两个预训练任务：Masked Language Model和Next Sentence Prediction，而这两个任务都是基于BertPreTrainedModel抽象基类。 2.1 BertPreTrainedModel 所有Bert-based的模型，包括预训练模型和下游任务模型都是基于BertPreTrainedModel类，用于初始化权重参数和加载预训练描述。同时也继承了PreTrainedModel的变量和方法。

通过使用命名实体识别提高无监督的关系提取 我们 也比较性能 KnowItAll最先进的系统性能，并以命名实体识别表现其模式学习 组件，它使用一个简单的和 强大的模式语言