简鹿文件批量重命名功能特色 一键智能重命名 告别繁琐的手动编辑，简鹿支持批量修改文件或文件夹名称，无论是替换、删除、插入特定字符，还是按照自定义规则进行精细调整，只需简单几步，即可完成大量文件的命名规范化。 Excel 智能导入 创新性地引入Excel表格作为命名规则来源，只需将预设好的文件名列表导入，软件即可自动匹配并重命名对应文件，极大提升工作效率，尤其适用于项目管理、图片编辑等需频繁更名的场景。 时间与类型管理 简鹿不仅仅是一款重命名工具，它还能批量修改文件的创建时间、修改时间及后缀名，让文件管理更加细致入微。无论是文档的时间戳调整，还是图片格式的统一转换，都能轻松搞定。 批量创建与排序 无论是需要批量生成文件夹，还是根据特定规则创建多个文件，简鹿都能一键完成。可视化编辑器让文件排序变得直观易行，无论是按名称、时间或自定义顺序，都能迅速完成。 编号与格式转换 无论是需要为文件添加连续编号，还是进行大小写转换以符合特定规范，简鹿均能精准执行，确保每份文件命名既有序又专业。

命名实体识别（NER）是自然语言处理（NLP）领域中的关键任务，它涉及识别文本中具有特定意义的实体，如人名、地名、组织名等。标题“中文NER集合”表明这是一个专注于中文环境下的命名实体识别资源集合。描述中提到的“基于马尔科夫逻辑的命名实体识别技术”，暗示了该压缩包可能包含一些利用马尔科夫逻辑网络（Markov Logic Networks, MLNs）的方法来解决中文NER问题的研究。 马尔科夫逻辑网络是一种概率逻辑框架，它结合了马尔科夫随机场和第一阶逻辑的优点，可以用于建立复杂的语义关系模型。在NER中，MLNs可以用来捕捉实体之间的局部和全局上下文信息，以提高识别准确性。例如，一个实体的类型可能与其前后词汇有关，MLNs可以通过定义这些依赖关系的规则来帮助识别。 压缩包中的文件名称提供了更多线索： 1. "NER综述.pdf"：这可能是一个全面的NER技术综述，涵盖了各种方法和技术，包括传统的统计模型和深度学习方法。 2. "SSSSSSSSSSSSSSSSSSSSSSSOpen Information Extraction from the Web.pdf"：可能探讨的是从互联网上提取开放信息，可能包括NER作为信息提取的一部分。 3. "基于层叠隐马尔可夫模型的中文命名实体识别.pdf"：这可能是介绍如何使用层叠隐马尔可夫模型（Cascaded HMMs）进行中文NER的论文，这是一种经典的序列标注模型。 4. "Open Domain Event Extraction from Twitter.pdf"：可能关注的是从社交媒体，特别是Twitter中提取开放领域的事件，这通常需要有效的NER来识别事件相关的实体。 5. "一种开放式中文命名实体识别的新方法.pdf"：这可能描述了一种新的、创新的中文NER算法，可能采用了不同于传统方法的策略。 6. "[46]ner.pdf"：文件名较简单，但可能是一个特定的NER研究或技术的详细说明，编号可能表示参考文献的序号。 这个集合对于学习和研究中文NER非常有价值，它可能包含了理论概述、经典模型的解释、最新方法的介绍以及实际应用案例。通过深入阅读这些资料，我们可以了解命名实体识别的发展历程，比较不同方法的优缺点，以及如何将这些技术应用于实际的数据挖掘和事件抽取任务。此外，对于想要在中文环境下提升信息提取和理解能力的研究者和开发者来说，这些资源无疑是一个宝贵的资料库。

这是一个用于中文命名实体识别的数据集，采用BIOES模式标注的糖尿病领域的一些非结构化数据。 该数据集对刚入门命名实体识别的同学来说，有很大帮助，不仅节省了大量的数据标注时间，而且有利于他们更快速理解命名实体识别任务。

本案例介绍命名实体识别（NER）任务的背景、HMM的原理以及如何将数据应用于序列标记问题，帮助同学们建立坚实的理论基础。 同学们可以通过这个案例学习序列标记问题和HMM的理论基础，从而建立机器学习的核心知识，利用HMM知识去解决实际NER问题，从而加深对理论的理解和应用能力。

下载资源是存放一个说明文档和一个exe可执行文件的压缩包，下载压缩后将这个exe可执行文件安装在你要重命名的pdf文件路径下。 在上级路径要有一个excel文件以xlsx为后缀的，里面要有两列，列名字为原文件名和新文件名，列下面为对应的文件名称，注意要带.pdf后缀。 双击exe可执行文件后，在exe文件上级目录会生成一个名字为新的文件夹，里面即为重命名后的pdf文件，同时还会生成一个名字为yanzheng的txt文件，可用于验证文件是否命名正确。同时会保留存原文件和其文件夹，确定原文件都命名成功后就可将其删掉。 说明：如果有要更改文件名的pdf原文件，将其放到存放原文件的文件夹中，双击exe文件，就可以重新生成更改文件名后的新文件，不用将之前生成后的名字为新的文件夹和验证文件删掉。

基于pytorch+bilstm_crf的中文命名实体识别 文件说明 --checkpoints：模型保存的位置 --data：数据位置 --|--cnews：数据集名称 --|--|--raw_data：原始数据存储位置 --|--|--final_data：存储标签、词汇表等 --logs：日志存储位置 --utils：辅助函数存储位置，包含了解码、评价指标、设置随机种子、设置日志等 --config.py：配置文件 --dataset.py：数据转换为pytorch的DataSet --main.py：主运行程序 --main.sh：运行命令 --models.py：模型 --process.py：预处理，主要是处理数据然后转换成DataSet 运行命令 python main.py --data_dir="../data/cnews/final_data/" --log_dir="./logs/" --output_dir="./checkpoints/" --num_tags=33 --seed=123 --gpu_ids="0" --max_seq_len=128 --

葵花8卫星数据产品netCDF文件命名含义（文件名以.nc结尾)。文件亦可从官网下载。

BERT+BiLSTM+CRF是一种用于中文命名实体识别（Named Entity Recognition，简称NER）的模型，结合了BERT模型、双向长短时记忆网络（Bidirectional LSTM）和条件随机场（CRF）。 BERT是一种预训练的深度双向变换器模型，具有强大的自然语言处理能力。它能够学习上下文相关的语义表示，对于NLP任务非常有用。 BiLSTM是一种循环神经网络，能够捕捉上下文之间的依赖关系。通过同时考虑前向和后向上下文，BiLSTM能够更好地理解句子中实体的边界和内部结构。 CRF是一种概率图模型，常用于序列标注任务。它能够基于输入序列和概率分布进行标签推断，使得预测的标签序列具有全局一致性。 在BERT+BiLSTM+CRF模型中，首先使用BERT模型提取句子中的特征表示。然后，将这些特征输入到BiLSTM中，通过双向上下文的学习，得到更丰富的句子表示。最后，使用CRF层对各个词的标签进行推断，并输出最终的实体识别结果。 这种模型的优势在于能够充分利用BERT的语义信息和BiLSTM的上下文依赖性，同时通过CRF层对标签进行约束，提高了实体识别的

python编写的简单程序，一共只有130多行，但是应付老师绰绰有余：） 实验:基于LSTM的命名实体识别 数据处理 给每个实体类型进行编号、给每个单词进行编号 文本填充 使用标识符，将所有序列处理成同样长度 训练流程 给每个输入和其对应编号建立一个张量 构成训练批 输入LSTM单元 输入全连接层 使用sorftmax或其他分类器进行预测 模型构建 pytorch自带LSTM类/其他工具也可以/自己编码也可以

Lambda 算法是 Hea 的新版本