课程目标：
学习完本门课程，您将对自然语言处理技术有更深入的了解，彻底掌握中文命名实体识别技术。
适用人群：
自然语言处理从业者、深度学习爱好者
课程简介：
命名实体识别作为自然语言处理的基础技术之一，在自然语言处理上游各个任务（问答系统、机器翻译、对话系统等）重扮演者十分重要的角色，因此深入掌握命名实体识别技术，是作为自然语言处理从业者毕本技能，本课程理论与实践相结合，希望能给大家带来帮助。
课程要求：
（1）开发环境：Python3.6.5 Tensorflow1.13.1；（2）开发工具：Pycharm；
（3）学员基础：需要一定的Python基础，及深度学习基础；
（4）学院收货：掌握命名实体识别关键技术；
（5）学院资料：见课程资料；
（6）课程亮点：全程实战操作，徒手撸代码。
2022-03-30 21:57:45
515B
1
产生式模型和判别式模型（Generative model vs. Discriminative model）,概率图模型（Graphical Models）,朴素贝叶斯分类器（ Naive Bayes Classifier）,隐马尔可夫模型（Hidden Markov Model，HMM）,最大熵模型（Maximum Entropy Model，MEM）,最大熵马尔可夫模型（MEMM）,条件随机场（conditional random fields，CRF）
2022-03-28 16:33:16
2.39MB
1
windows 7 64位测试通过，包含lib和dll
Conditional Random Field：条件随机场，一种机器学习技术（模型）
2022-03-10 09:58:50
77KB
1
CRF++ 目前最新版，包括CRF++ 0.58.tar.gz源文件for linux和.zip for windows 另外，包括一个介绍使用的下载网页文件。
2022-03-02 22:25:25
1.23MB
1
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
2022-02-14 23:46:06
50KB
1
利用CRF++进行中文分词
维护者：
维新公众号：Python爬虫与算法
语料
人民日报中文分词语料
微软中文分词语料
训练集与测试集的比例为9:1，具体的改写脚本可以参考read_segment_corpus.py。
CRF模型
工具采用CRF++，训练命令如下：
crf_learn -f 3 -c 4.0 template train.data model -t
模型评估结果
accuary: 0.96405717503858
p: 0.9184067155248071
r: 0.9206969935013926
f1: 0.9195504284452864
classification report:
precision recall f1-score support
Char 0.92 0.92
2022-02-10 16:18:17
8.27MB
1