说明：（目前最新版，本人亲测，仅供学习研究之用） 1. 根据您使用的Delphi版本，从下网站下载正式版14.0.58 http://www.atozed.com/IntraWeb/Download/Download_IW_XIV.EN.aspx 2. 双击下载的安装文件启动安装，安装过程中需要输入的授权码如下（有效期为2060年）：。 3. .... 4. ....

我搜集的基本上最全的关于CRF的资料，基本可以满足各位的需求了。

CRF++-0.58.tar.gz CRF++-0.58.tar.gz CRF++-0.58.tar.gz CRF++-0.58.tar.gz

随着医疗信息化的发展，医院产生了大量的医疗数据信息，积累了庞大的医疗电子病历数据。电子病历（EMR）是具有非结构化句子和多种概念表达，为医学信息提取提供了丰富的信息。然而，庞大的数据信息严重影响处理效率，因此提取电子病历中的命名实体成为研究的热点问题。为提高医院对复杂数据的处理效率，减轻工作人员的压力，本文提出了一种基于条件随机场（CRF）模型和特征模板结合的算法，来识别中文电子病历中的命名实体单元，识别准确率可以达到92.9%，可以有效地识别电子病历命名实体。基于本文采用的方法可以来结构化电子病历，减轻医生负担，推动医疗领域的发展。

针对中文命名实体识别（NER），采用IDCNN+CRF的方法。

LSTM-CNNs-CRF模型，论文《End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF》的复现

命名实体识别代码，解压即可用 # BERT-BiLSTM-CRF BERT-BiLSTM-CRF的Keras版实现 ## BERT配置 1. 首先需要下载Pre-trained的BERT模型，本文用的是Google开源的中文BERT模型： - https://storage.googleapis.com/bert_models/2018_11_03/chinese_L-12_H-768_A-12.zip 2. 安装BERT客户端和服务器 pip install bert-serving-server pip install bert-serving-client，源项目如下： - https://github.com/hanxiao/bert-as-service 3. 打开服务器，在BERT根目录下，打开终端，输入命令： - bert-serving-start -pooling_strategy NONE -max_seq_len 144 -mask_cls_sep -model_dir chinese_L-12_H-768_A-12/ -num_worker 1

中文分词 本项目为中文分词任务baseline的代码实现，模型包括 BiLSTM-CRF 基于BERT的+ X（softmax / CRF / BiLSTM + CRF） 罗伯塔+ X（softmax / CRF / BiLSTM + CRF） 本项目是的项目。 数据集 数据集第二届中文分词任务中的北京大学数据集。 模型 本项目实现了中文分词任务的baseline模型，对应路径分别为： BiLSTM-CRF BERT-Softmax BERT-CRF BERT-LSTM-CRF 其中，根据使用的预训练模型的不同，BERT-base-X模型可转换为Roberta-X模型。 要求 此仓库已在Python 3.6+和PyTorch 1.5.1上进行了测试。 主要要求是： tqdm scikit学习 火炬> = 1.5.1 :hugging_face: 变压器== 2.2.2 要解决环境问题，请运行：

用于视频的压缩和转档(转换格式),类似于格式工厂的功能

除了crf+ngram这种基于统计纠错的方法外还有一种基于深度学习的seq2seq方法，有简单的注释，有训练集和测试集数据，属于很基础的模型。