python NLTK识别字符串中的人名等，命名实体识别-附件资源

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

中文命名实体识别数据集

本项目是自然语言处理NLP在中文文本上的一些简单应用，如文本分类、情感分析、命名实体识别等。 文本分类 数据集用的是头条的标题和对应文章分类数据。数据集来自这里： 文本分类的例子对应zh_article_classify_bilstm_attention.ipynb，这里构建的是BiLSTM+Attention的模型结构。 具体模型搭建如下： def create_classify_model(max_len, vocab_size, embedding_size, hidden_size, attention_size, class_nums): # 输入层 inputs = Input(shape=(max_len,), dtype='int32') # Embedding层 x = Embedding(vocab_size, embedding_size)(

中文-DeepNER-Pytorch 天池中药说明书实体识别挑战冠军方案开源 贡献者： zxx飞翔​​的鱼： : 我是蛋糕王： : 数青峰： : 后续官方开放数据集后DeepNER项目会进行优化升级，包含完整的数据处理，训练，验证，测试，部署流程，提供详细的代码注释，模型介绍，实验结果，提供更普适的基础预训练的中文命名实体识别方案，开箱即用，欢迎星级！ （代码框架基于火炬和变压器，框架进行性，解耦性，易读性较高，很容易修改迁移至其他NLP任务中） 环境 python3 . 7 pytorch == 1.6 . 0 + transformers == 2.10 . 0 pytorch - crf == 0.7 . 2 项目目录说明 DeepNER │ ├── data # 数据文件夹 │ ├── mid

中文医学NLP公开资源整理：术语集/语料库/词向量/预训练模型/知识图谱/命名实体识别/QA/信息抽取/模型/论文/etc

为了获得更好的性能，您可以尝试NLPGNN，有关更多详细信息，请参见 。 BERT-NER版本2 使用Google的BERT进行命名实体识别（CoNLL-2003作为数据集）。 原始版本（有关更多详细信息，请参见old_version）包含一些硬代码，并且缺少相应的注释，因此不方便理解。 因此，在此更新版本中，有一些新的想法和技巧（关于数据预处理和图层设计）可以帮助您快速实现微调模型（您只需尝试修改crf_layer或softmax_layer）。 资料夹说明： BERT-NER |____ bert # need git from [h

中国临床神经内科 CCKS2019中文命名实体识别任务。从医疗文本中识别疾病和诊断，解剖部位，影像检查，实验室检查，手术和药物6种命名实体。实现基于捷巴和AC自动机的基线构建，基于BiLSTM和CRF的序列标注模型构造。伯尔尼的部分代码源于感谢作者。模型最终测试集重叠0.81，还有更多改进空间。