斯坦福NLP的信息提取，包括命名实体识别和关系提取等。

工具介绍 LAC全称中文的词法分析，是百度自然语言处理部研发的一种联合的词法分析工具，实现中文分词，词性标注，专名识别等功能。该工具具有以下特点和优势： 效果好：通过深度学习模型联合学习分词，词性标注，专名识别任务，单词索引，整体效果F1值超过0.91，词性标注F1值超过0.94，专名识别F1值超过0.85，效果领先。 效率高：精简模型参数，结合Paddle预测库的性能优化，CPU单线程性能达800QPS，效率领先。 可定制：实现简单可控的干预机制，精确匹配用户字典对模型进行干预。 调用便捷：支持一键安装，同时提供了Python，Java和C ++调用接口与调用示例，实现快速调用和集成。 支持

Lattice LSTM中文命名实体识别采用PyTorch实现

命名实体识别实战（BERT）-附件资源

基于nltk的英文地区提取算法，用python编写，输出结果为json，可被Java发送http请求调用

命名实体识别在摩洛哥旅游语料库中的应用

Hybrid Bi-LSTM-CRF命名实体识别

用于命名实体识别（或序列标记）的LSTM-CRF模型 该存储库实现了用于命名实体识别的LSTM-CRF模型。 该模型与的模型相同，只是我们没有BiLSTM之后的最后一个tanh层。 我们在CoNLL-2003和OntoNotes 5.0英文数据集上均达到了SOTA性能（请通过使用Glove和ELMo来检查我们的，通过对BERT进行微调来检查其他）。 公告内容 我们实现了模块，该模块允许O（log N）推断和回溯！ 通过微调BERT / Roberta **获得 模型 数据集 精确 记起 F1 基于BERT的情况+ CRF（此存储库） CONLL-2003 91.69 92.05 91.87 Roberta-base + CRF（此仓库） 2003年 91.88 93.01 92.44 基于BERT的情况+ CRF（此存储库） 笔记5 89.57 89.45

一篇中文实体识别的文章，为哈工达信息检索实验室的研究生关于实体识别的成果。

资源是关于利用BERT模型来训练命名实体识别的数据，其中包括训练，测试，预测用的数据，结合唐老师的历程和github 代码实现