BERT-BiLSTM-CRF-NER Tensorflow solution of NER task Using BiLSTM-CRF model with Google BERT Fine-tuning 使用谷歌的BERT模型在BLSTM-CRF模型上进行预训练用于中文命名实体识别的Tensorflow代码' 中文文档请查看 如果对您有帮助，麻烦点个star,谢谢~~ Welcome to star this repository! The Chinese training data($PATH/NERdata/) come from: The CoNLL-2003 data($PATH/NERdata/ori/) come from: The evaluation codes come from: Try to implement NER work based on google'

用户和实体行为分析 通过深度学习进行用户和实体行为分析。 从用户的日常记录中检测用户的异常行为。 内部威胁检测 细节 所有数据均从CERT / R4.2 （ ftp://ftp.sei.cmu.edu/pub/cert-data ）中提取 数据：用于检测的数据。 依赖库 python 3.63-64位 numpy的1.16.4 张量流1.8.0 keras 2.2.2 斯克莱恩0.19.1 使用情况 逐步运行python文件。 请注意，需要分别为不同的用户运行3-Action_Sequence_Training.py和4-Static_Feature_Training.py ，您可以找到user_sets并进行更改。 2-Training_Data_Generating.py还需要在两种要素类型下运行，您可以找到“类型”并进行更改。 该项目中提供的功能和深度学习模型是非常简单的示

资源实现Entity Framework框架对数据的添加、修改、删除、查询包括查询部分列，以及对数据分页和排序。在压缩包中包含项目全部源码、数据库文件。

诊所管理 诊所网络应用程序可满足要求，即患者到诊所就诊并获得注册，然后，他们会预约可用的医生。 默认情况下，约会将变为待处理状态，因为需要对其进行审核。 之后，医生将计算出病人的出勤率。 在报告下，我们应该有每日和每月的约会。 框架-库 ASP.NET MVC（版本5） 实体框架 Ninject 自动映射器 运行项目 使用Visual Studio打开项目。 在web.config文件中，根据您的系统更改连接字符串。 <add name="ClinicDB" connectionString="data source=Your data source;

简单的变形金刚 该库基于HuggingFace的库。 使用简单的Transformers，您可以快速训练和评估Transformer模型。 初始化模型，训练模型和评估模型仅需要三行代码。 技术支持 序列分类 代币分类（NER） 问题回答 语言模型微调 语言模型训练 语言生成 T5型号 Seq2Seq任务 多模态分类 对话式AI。 文本表示生成。 目录 设置 与conda 从安装Anaconda或Miniconda Package Manager 创建一个新的虚拟环境并安装软件包。 conda create -n st python pandas tqdm conda activate st如果使用cuda： conda install pytorch>=1.6 cudatoolkit=11.0 -c pytorch否则： conda install pytorch cpuonly

Google-Bert模型在医疗领域的运用，实体关系三元组抽取模型（结合网上下载的两个相关模型进行修改） 该资源仅提供模型程序（无医疗相关数据）

cr: Entity Recognition of Traditional Chinese Medicine's Manual (https://tianchi.aliyun.com/competition/entrance/531824/information) The dataset includes 1000pcs marked data from Chinese medicine's manual. 13 kinds of entity are defined to mark the data. 本次标注数据源来自中药药品说明书，1000份训练数据，共定义了13类实体。 entity definition.xlsx terms of use.pdf

Named Entity Recognition of CEMR is provided by Yidu Cloud.本数据集由医渡云提供。 subtask2_unlabeled.txt subtask1_test.zip subtask1_train.zip subtask2_test.zip subtask2_train.zip

Agricultural Knowledge Graph 由于工作原因，该项目已停止维护。因此项目代码仅供参考，项目中包含的数据可免费用于学术等非商业用途。 相关工作请引用paper: AgriKG: An Agricultural Knowledge Graph and Its Applications[C]. DASFAA (3) 2019: 533-537 项目介绍： 本项目是上海市《农业信息服务平台及农业大数据综合利用研究》子课题《上海农业农村大数据共享服务平台建设和应用》的研究成果。 该课题是由上海市农业委员会信息中心主持，以“致富农民、服务市民、提高行政管理效能”为目标，充分发挥大数据在农业农村发展中的重要功能和巨大潜力，重点建设上海市级农业农村大数据中心，促进信息资源的共建共享和创新应用。 华东师范大学数据科学与工程学院（以下简称华师大数据学院）作为课题主要参与单位以实现智慧

EAkit 实体对齐工具包（EAkit），是许多实体对齐算法的轻量级，易于使用且高度可扩展的PyTorch实现。 算法列表来自 。 目录 设计 我们对现有的实体对齐算法进行排序并对其组成进行模块化，然后将抽象结构定义为1 Encoder-N Decoder（s） ，其中将不同的模块视为不同编码器和解码器的特定实现，以恢复算法的结构。 组织 ./EAkit ├── README.md # Doc of EAkit ├── _runs # Tensorboard log dir ├── data # Datasets. (unzip data.zip) │   └── DBP15K ├── examples