ner_elmo 用ELMO命名实体识别（语言模型的嵌入）

anaGo anaGo是一个在Keras中实现的用于序列标记（NER，PoS标记等）的Python库。 anaGo可以解决序列标记的任务，例如命名实体识别（NER），词性标记（POS标记），语义anaGo anaGo是用于序列标记（NER，PoS标记等）的Python库，在Keras中实现。 anaGo可以解决序列标记任务，例如命名实体识别（NER），词性标记（POS标记），语义角色标记（SRL）等。 与传统的序列标签求解器不同，anaGo不需要定义任何语言相关的功能。 因此，我们可以轻松地将anaGo用于任何语言。 作为anaGo的示例，下图显示了英语的命名实体识别：

本地代码推荐BiLSTM+CRF（经调试效果佳）：瑞金医院MMC人工智能辅助构建知识图谱--初赛实体识别【1】 码源。链接：https://blog.csdn.net/sinat_39620217/article/details/124801116?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22124801116%22%2C%22source%22%3A%22sinat_39620217%22%7D&ctrtid=nDIo1

基于条件随机场对中文案件语料进行命名实体识别。在学习知识图谱理论课时，我们知道实体（Entity）是知识图谱的基本单位，也是承载信息的重要语言单位。实体识别是知识图谱应用的重要技术。目前实体识别主要有三种方法： 基于规则和词典的实体识别 基于统计机器学习的实体识别 基于深度学习神经网络的实体识别 条件随机场（Conditional random field，CRF）是一种条件概率分布模型 P(Y|X) ，表示的是给定一组输入随机变量 X 的条件下另一组输出随机变量 Y 的马尔可夫随机场。 CRF 是一个序列化标注算法（sequence labeling algorithm），接收一个输入序列如X=(x1, x2,…, xn)并且输出目标序列Y=(y1, y2,…, yn)  ，也能被看作是一种seq2seq模型。这里使用大写 X,Y 表示序列。例如，在词性标注任务中，输入序列为一串单词，输出序列就是相应的词性。 除了词性标注之外，CRF还可以用来做chunking，命名实体识别等任务。一般地，输入序列X被称为 observations, Y叫作 states。

知识图谱，实体识别，Protégé是一个本体建模工具软件，由斯坦福大学基于java语言开发的，属于开放源代码软件。

本项目是在一个开源中文电子病历数据集上的命名实体识别（NER）任务的源码，其中包含了数据预处理、BERT-BiLSTM模型实现以及训练与测评的完整过程。本人有一篇博客是对其的详细说明，源码也注释详细，简单易读。

自然语言处理数据集-5 万多条中文命名实体识别标注数据-中文命名实体识别.rar

TensorFlow实战医疗命名实体识别

基于CRF 和规则相结合的地理命名实体识别方法

pytorch lstm+crf、bilstm+crf 、LSTM CRF 命名实体识别代码 代码和数据可以直接运行