新闻报道中观点能够影响读者的感受，针对目前新闻报道中观点提取缺失的现状。本文提出一种条件随机场（CRF）和深度学习相结合的模型，通过集成深度学习的BiLSTM方法和改进型CRF方法，实现对新闻文章的观点持有者、评价对象和观点极性3种实体信息的提取。试验表明:相较于CRF算法，准确率、召回率和F1值平均提高12.29%、10.00%和11.07%。

MedicalNER：使用Flask和Docker作为Web App部署PyTorch NER模型 一个漂亮且可自定义的Web应用程序，可轻松部署您的深度学习（DL）模型 注意 此仓库用于部署任何类型的ML或DL模型，而不仅仅是NER模型。 使用演示 克隆仓库 $ git clone https://github.com/SuperBruceJia/pytorch-flask-deploy-webapp.git 运行以下说明 1）。 构建Docker映像 $ docker build -t ner-model . 2）。 为上面的图像制作并运行一个容器 $ docker run -e LANG

基于知识图谱的医疗诊断知识问答系统 环境 python 3.7 tensorflow 1.14.0 keras 2.2.0 bert4keras 0.10.0 gensim 3.8.3 pyahocorasick 1.4.0 后期计划 系列视频持续更新中……，后期代码也将一并上传 本项目系列视频大纲如下，最后可能会有细微差别，影响不大

KBQA-BERT 基于知识图谱的问答系统，BERT做命名实体识别和句子相似度 介绍 本项目主要由两个重要的点组成，一是基于BERT的命名实体识别，二是基于BERT的句子相似度计算，本项目将这两个模块进行融合，构建基于BERT的KBQA问答系统。详细介绍，请看我的博客： : 环境配置 Python版本为3.6 pytorch版本为1.1.0 windows10 数据在Data中，更多的数据在[**NLPCC2016**](http://tcci.ccf.org.cn/conference/2016/pages/page05_evadata.html) 和 [**NLPCC2017**](http://tcci.ccf.org.cn/conference/2017/taskdata.php)。 目录说明 Input/data/文件夹存放原始数据和处理好的数据 1-sp

加入Bert、CRF和对比学习的SlotFilling.zip

自然语言处理中命名实体识别效果最好的方式，上述为原文

本文提出一种基于CRFs 模型的中文词性标注方法。该方法利用CRFs 模型能够添加任意特征的优点,在使用词的上下文信息的同时,针对兼类词和未登录词添加了新的统计特征。在《人民日报》1 月份语料库上进行的封闭测试和开放测试中,该方法的标注准确率分别为98. 56 %和96. 60 %。

使用Bert的中文NER BERT代表中文NER。 数据集列表 cner：数据集/ cner 主持人： ： 型号清单 BERT + Softmax BERT + CRF BERT +跨度 需求 1.1.0 = <PyTorch <1.5.0 cuda = 9.0 python3.6 + 输入格式 输入格式（首选BIOS标记方案），每个字符的标签为一行。 句子用空行分隔。 美 B-LOC 国 I-LOC 的 O 华 B-PER 莱 I-PER 士 I-PER 我 O 跟 O 他 O 运行代码 在run_ner_xxx.py或run_ner_xxx.sh修改配置信息。 sh scripts/run_ner_xxx.sh 注意：模型的文件结构 ├── prev_trained_model | └── bert_base | | └── pytorch_model.bin | | └── config.json | | └── vocab.txt | | └── ...... CLUENER结果 BERT在dev上的整体性能： 准确性（实体） 召回（实

CRF4火炬 用Pytorch实现CRF

基于迭代两步CRF模型的评价对象与极性抽取研究与广义话题结构理论视角下话题自足句成性研究