命名实体识别是自然语言处理的一项关键技术. 基于深度学习的方法已被广泛应用到中文实体识别研究中. 大多数深度学习模型的预处理主要注重词和字符的特征抽取, 却忽略词上下文的语义信息, 使其无法表征一词多义, 因而实体识别性能有待进一步提高. 为解决该问题, 本文提出了一种基于BERT-BiLSTM-CRF模型的研究方法. 首先通过BERT模型预处理生成基于上下文信息的词向量, 其次将训练出来的词向量输入BiLSTM-CRF模型做进一步训练处理. 实验结果表明, 该模型在MSRA语料和人民日报语料库上都达到相当不错的结果, F1值分别为94.65%和95.67%.

日文分词系统mecab的中文讲解 mecab (http://mecab.sourceforge.net/) 是奈良先端科学技術大学院的工藤拓开发的日文分词系统， 该作者写过多个 machine learning 方面的软件包， 最有名的就是 CRF++， 目前该作者在 google@Japan 工作

为解决旅游文本在特征表示时的一词多义问题, 针对旅游游记文本景点实体识别中景点别名的问题, 研究了一种融合语言模型的中文景点实体识别模型. 首先使用BERT语言模型进行文本特征提取获取字粒度向量矩阵, BiLSTM用于上下文信息的提取, 同时结合CRF模型提取全局最优序列, 最终得到景点命名实体. 实验表明, 提出的模型性能提升显著, 在实际旅游领域内景点识别的测试中, 与以往研究者方法比较下准确率, 召回率分别提升了8.33%, 1.71%.

NER-Sequence-labeling--Textcnn-bilstm-crf-pytorch pytorch用Textcnn-bilstm-crf模型实现命名实体识别 数据处理 数据处理文件是'data_preprocess.py' 模型和训练过程 模型和训练过程都在同一个文件中‘cnn-bilistm-crf.py’ 预测 预测文件为‘predict.py’   数据 数据存在data文件夹中

使用CNN和CRF进行人脸分割 我们尝试不同的方法来完成人脸分割： 。 型号和更多详细信息，请访问Aaron Jackson的。 我们将CRF添加为后处理。 CRF由实现。 。 原始。 根据地标生成凸包。 在使用所有三种方法之前，我们先检测界标并裁剪图像。 代替在A CNN Cascade for Landmark Guided Semantic Part Segmentation标检测网络，我们使用来检测在大型姿态图像上效果很好的地标。 我们还尝试了其他方法来裁剪图像。 代号 face_segment_part.py：用于地标制导语义部分分割的CNN级联。 face_segment_yuval.py：关于面部分割，面部交换和面部感知。 face_segment_contour.py：检测到地标并获得凸包。 依存关系 请为face_segment_yuval.py下载 （最低版

裁判文书中的命名实体识别是自动化审判的关键一步，如何能够有效的分辨出案件的关键命名实体是本文的研究重点.因此本文针对财产纠纷审判案件，提出了一种基于SVM-BiLSTM-CRF的神经网络模型.首先利用SVM筛选出包含关键命名实体的句子，然后将正确包含此类实体的句子转化为字符级向量作为输入，构建适合财产纠纷裁判文书命名实体识别的BiLSTM-CRF深层神经网络模型.通过构建训练数据进行验证和对比，该模型比其他相关模型表现出更高的召回率和准确率.

用于多标签视频分类的CRF 概述 该存储库包含用于多标签视频分类的CRF结构的PyTorch实现。 它使用I3D预训练模型作为基础分类器（Joao Carreira和Andrew Zisserman在论文“ ”中报告了I3D）。 该代码基于Deepmind的和AJ Piergiovanni的I3D管道的。 要求 该代码是使用Python 3.6和 0.4.0开发的。 它需要和 。 端到端培训I3D +半/全CRF 该管道使用Deepmind的预训练的I3D模型（在ImageNet和Kinetics上进行预，有关详细信息，请参见 ）。 这些是在目录models /中找到的表示为rgb_imagenet.pt和flow_imagenet.pt的模型。 基本模型（I3D） 可以使用以下命令来训练基本模型： python train_i3d.py -dataset 'charades' -

CwsPosNerEntityRecognition 中英文Cws Pos Ner实体识别工具，使用CNN双向lstm和crf模型，并带有char嵌入。基于字向量的CNN池化双向BiLSTM与CRF模型的网络，可能一体化的完成中文和英文分词，词性标注，实体识别。主要包括原始文本数据，数据转换，训练脚本，预训练模型，可用于序列标注研究。注意：唯一需要实现的逻辑是将用户数据转化为序列模型。分词准确率约为93％，词性标注准确率约为90％，实体标注（在本样本上）约为85％。 提示 中文分词，词性标注，实体识别，在使用上述模型时，本质是就是标注问题！！！如果您第一次使用相关的模型，只需加上self.c

CRFChunker：英语的条件随机字段短语分块（短语分块工具）。 该模型在WSJ语料库的01..24节中进行了训练，并使用00节作为开发测试集（F1分数为95.77）。 分块速度：700句/秒

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'