Data modeling and database design have undergone significant evolution in recent years. Today, the relational data model and the relational database system dominate business applications. The relational model has allowed the database designer to focus on the logical and physical characteristics of a database separately. In this book, we concentrate on techniques for database design with a very strong bias for relational database systems, using the ER (entity relationship) approach for conceptual modeling (solely a logical implementation).

前言 在以前学习和使用WinForm、ASP.NET WebForm、三层架构的时候,对于数据访问的实现，无论是什么逻辑，简单还是复杂，无论是执行SQL语句还是调用存储过程都要用到ADO.NET技术，通过封装好的SQLhelper类传入SQL语句和SqlParameter参数来操作数据库，使用起来还是有点麻烦呐~~~ 随着.Net学习的不断深入，学习过ASP.NET MVC知识体系时才逐渐开始了解和使用微软ORM系列的Entity Framework框架，通过使用EF可以方便快捷的操作数据库。我一共学习和使用了三种模式的EF(DBFirst[数据库优先]、ModelFirst[模型优先]、Co

中文命名实体识别 数据集 本项目尝试使用了多种不同的模型（包括HMM，CRF，Bi-LSTM，Bi-LSTM + CRF）来解决中文命名实体识别问题，数据集用的是论文ACL 2018 中收集的简历数据，数据的格式如下，它的每个行由一个字及其对应的标注组成，标注集采用BIOES，句子之间用一个空行替换。 美 B-LOC 国 E-LOC 的 O 华 B-PER 莱 I-PER 士 E-PER 我 O 跟 O 他 O 谈 O 笑 O 风 O 生 O 该数据集就位于项目目录下的ResumeNER文件夹里。 运行结果 下面是多种不同的模型以及这Ensemble这四个模型预测结果的准确率（取最好）： HMM 慢性肾功能衰竭 双线性STM BiLSTM + CRF 合奏 召回率 91.22％ 95.43％ 95.32％ 95.72％ 95.65％ 准确率 91.49％ 95.43％ 95.37％ 95.74％ 95.69％ F1分数 91.30％ 95.42％ 95.32％ 95.70％ 95.64％ 最后一列Ensemble是将这四个模型的预测结果结合起来，使用“

从数据库自动生成Code First代码工具

Entity SQL学习

使用Tensorflow进行临床实体识别 此仓库使用Tensorflow实现了CER模型（字符嵌入+单词嵌入+ BLSTM + CRF）。 合奏训练后的最新表现（测试集上的F1分数在84到85之间）。 有关更多详细信息，请检查。 使用预先训练的模型 使用TensorFlow可以轻松加载预训练图。 预训练的模型在exp dir中。 将集成训练模型与 # pretrained ensemble of models models= " exp/adam.cap-2.char-100-100.word-300-300.lstm-1.p-0 exp/rmsprop.char-100-100.plstm-2 exp/rmsprop.cap-5.char-100-100.word-300-300.sru-1 exp/rmsprop.cap-5.char-100-300.word-300-300.l

CCKS2020-Entity-Linking CCKS 2020: 面向中文短文本的实体链指任务 将官网下载好的数据保存在data文件夹中 每个人可以在notebooks文件中新建以自己名字命名的文件夹，并在其中用Jupyter Notebook编写实验代码

Recent research has shown great progress on fine-grained entity typing. Most existing methods require pre-defining a set of types and training a multi-class classifier from a large labeled data set based on multi-level linguistic features. They are thus limited to certain domains, genres and languages. In this paper, we pro- pose a novel unsupervised entity typing framework by combin- ing symbolic and distributional semantics. We start from learn- ing general embeddings for each entity mention, compose the em- beddings of specific contexts using linguistic structures, link the mention to knowledge bases and learn its related knowledge rep- resentations. Then we develop a novel joint hierarchical clustering and linking algorithm to type all mentions using these representa- tions. This framework doesn’t rely on any annotated data, prede- fined typing schema, or hand-crafted features, therefore it can be quickly adapted to a new domain, genre and language. Further- more, it has great flexibility at incorporating linguistic structures (e.g., Abstract Meaning Representation (AMR), dependency rela- tions) to improve specific context representation. Experiments on genres (news and discussion forum) show comparable performance with state-of-the-art supervised typing systems trained from a large amount of labeled data. Results on various languages (English, Chinese, Japanese, Hausa, and Yoruba) and domains (general and biomedical) demonstrate the portability of our framework.

实体关系提取 基于TensorFlow的实体和关系提取。基于TensorFlow的实体和关系撤消，2019语言与智能技术竞赛信息撤除（实体与关系撤回）任务解决方案。 如果您对信息抽取论文研究感兴趣，可以查看我的博客。 抽象 该代码以管道式的方式处理实体及关系抽取任务，首先使用一个多标签分类模型判断句子的关系种类，然后将句子和可能的关系类型输入序列标注模型中，序列标注模型标注出句子中的实体，最终结合预测的关系和实体输出实体-关系列表：（实体1，关系，实体2）。 该代码以管道方式处理实体和关系提取任务。 首先，使用多标签分类模型来判断句子的关系类型。 然后，将句子和可能的关系类型输入到序列标签模

基于扩张神经网络（Divolved Convolutions）训练好的医疗领域的命名实体识别工具，这里主要引用模型源码，以及云部署方式供大家交流学习。 环境 阿里云服务器：Ubuntu 16.04 Python版本：3.6 Tensorflow：1.5 第一步：来一个Flask实例，并跑起来： 使用的是Pycharm创建自带的Flask项目，xxx.py from flask import Flask app = Flask(__name__) @app.route('/') def hello_world(): return 'Hello World!' if __name__ == '__main__': app.run() 执行python xxx.py就可以运行在浏览器中测试若直接在dos窗口中：输入命令也可测试。 第二部：服务器配置 服务器python版本为3.x 安装pi