整合当前可以找到的NER语料集，并把格式统一化，可以直接训练。

词库 这是在ACL 2019上发布的“”的实现。这项工作的重点是它仅使用实体词典执行NER，而没有任何标签数据。 顺便说一下，我们最近出版了另一本与中文NER相关的作品。 它旨在通过词典增强中文NER。 这项工作的重点是它具有很高的计算效率，同时与现有方法相比，具有可比性或更好的性能。 您可以在访问该作品的源代码及其相关论文的超链接。 设置并运行 下载Gloves.6B.100d.txt 环境 pytorch 1.1.0 python 3.6.4 cuda 8.0 运行代码说明 短语一 训练打印参数run python feature_pu_model.py -

基于几个可用的NER和RE数据集定义了7个实体标签和9个关系标签。实体(Entity)：每个实体都由带有多个属性的T标签标识。关系(Relation):每个关系由R标签标识，该标签可以具有多个属性。

整合格式为 ：字 BIO标签 格式，可以直接使用主流NER模型进行训练

# 中文命名实体识别 基于条件随机场（Conditional Random Field, CRF)的NER模型 ## 数据集 数据集用的是论文ACL 2018[Chinese NER using Lattice LSTM](https://github.com/jiesutd/LatticeLSTM)中收集的简历数据，数据的格式如下，它的每一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隔开。 ``` 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`data`文件夹里。 ## 运行结果 具体的输出可以查看`output.txt`文件。 ## 环境 首先安装依赖项： pip3 install -r requirement.txt 安装完毕之后，直接使用 python3 main.py > output.txt 即可训练、评估以及测试模型，评估模型将会打印出模型的精确率、召回率、F1分数值以及混淆矩阵。

中文命名实体识别ner数据_resume_bio格式 已经清理干净，放心下载，直接可以用各种ner模型训练

使用BiLSTM-CRF模型的NER任务的PyTorch解决方案。 此存储库包含BiLSTM-CRF模型的PyTorch实现，用于命名实体识别任务。 代码结构 在项目的根目录，您将看到： ├── pyner | └── callback | | └── lrscheduler.py　　 | | └── trainingmonitor.py　 | | └── ... | └── config | | └── basic_config.py #a configuration file for storing model parameters | └── dataset

自然语言处理之动手学NER视频教程分享下载。课程大纲： 章节1:动手命名实体识别开篇 章节2:动手学命名实体识别之环境搭建 章节3:深度学习基础之卷积神经网络 章节4:深度学习基础之循环神经网络 章节5:深度学习基础之LSTM 章节6:基于BiLSTM+CRF的中文命名实体识别实战 章节7:命名实体识别项目案例 章节8:基于IDCNN+CRF的中文命名实体识别实战 章节9:Bert相关理论详细详解 章节10:基于Bert+LSTM+CRF的中文命名实体识别实战 章节11:基于Tensorflow2.x的命名实体识别实战

对应github：https://github.com/YWP-2019/ALBERT-CRF-for-name-quantity-and-geographic-entity-extraction

对应github：https://github.com/YWP-2019/ALBERT-CRF-for-name-quantity-and-geographic-entity-extraction