自然语言处理工具包。目前支持阿拉伯语，中文，英文，法语，德语，西班牙语，做平行语料的对比非常方便。获得文本的语言注释，包括token和句子边界、语音处理、命名实体、数字和时间值、依赖性分析，java版本

医学问答高质量文本收集，可以用作文本生成训练，医学问答场景命名实体识别，

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.

对Bert模型的Ner任务提供了数据集demo

mynlp：一个生产级，高性能，预定，可扩展的中文NLP工具包。（中文分词，平均感知机，fastText，拼音，新词发现，分词纠错，BM25，人名识别，命名实体，自定义词典）

python NLTK识别字符串中的人名等，命名实体识别-附件资源

DyGIE ++ 实现本文中的描述的模型。 目录 请参阅doc文件夹以获取文档，其中包含有关，以及更多详细信息。 更新 2021年4月：我们已经添加了针对机械数据集的数据和模型，这些数据和模型在NAACL 2021论文中提出，该论文从COVID-19论文中提取了机理的知识库。 下载数据集 下载“粗略”模型 下载“颗粒”模型 您还可以通过运行bash scripts/data/get_mechanic.sh来获取数据，这会将数据放入data/mechanic 。 将模型移到pretrained文件夹后，您可以进行如下预测： allennlp predict \ pretrained/mechanic-coarse.tar.gz \ data/mechanic/coarse/test.json \ --predictor dygie \ --include-packa

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

Neural (LSTM) version of the partial CRF model

LAnn标注工具 当前情况 目前为封闭域关系三元组标注，不提供新关系的标注，之前开放域关系三元组版本将不再维护，不再维护，不再维护，存在BUG！存在BUG！存在BUG！。 计划脱离对Django框架的依赖，借助PyQt的WebEngine实现标注界面和Python程序数据传输，更好地支持Pytorch和数据处理，已基本打通JS和Python之间的墙壁。 计划加入预训练BERT模型。 LAnn简介 LAnn（Little Annotator）是一个用于标注三元组的纯前段中文标注工具。具有使用简单的特点，采用网页的形式，使用浏览器便可运行。标注过程、结果直观，易后处理。基本不用配置，快速上手。可只用于NER标注，也可以适当修改，改为POS标注（实体类型改为词性，只进行实体标注）或者分词标注（设置特殊的实体类型“词语”，只进行实体标注）。 可以先后导入test.txt、entity_dict，然