课程目标：
学习完本门课程，您将对自然语言处理技术有更深入的了解，彻底掌握中文命名实体识别技术。
适用人群：
自然语言处理从业者、深度学习爱好者
课程简介：
命名实体识别作为自然语言处理的基础技术之一，在自然语言处理上游各个任务（问答系统、机器翻译、对话系统等）重扮演者十分重要的角色，因此深入掌握命名实体识别技术，是作为自然语言处理从业者毕本技能，本课程理论与实践相结合，希望能给大家带来帮助。
课程要求：
（1）开发环境：Python3.6.5 Tensorflow1.13.1；（2）开发工具：Pycharm；
（3）学员基础：需要一定的Python基础，及深度学习基础；
（4）学院收货：掌握命名实体识别关键技术；
（5）学院资料：见课程资料；
（6）课程亮点：全程实战操作，徒手撸代码。
2022-03-30 21:57:45
515B
1
NER的BERT-BILSTM-GCN-CRF
在原本BERT-BILSTM-CRF上融合GCN和词性标签等做NER任务
数据格式
高B-剧种B-名词腔I-剧种I-名词：OO马B-人名B-名词平I-人名I-名词所OO着O B动词扶O B动词贫O I动词小O B -名词I O-名词
运行
2021-12-06 16:00:54
182KB
1
BiLSTM + CRF用于顺序标记任务
:rocket: :rocket: :rocket: BiLSTM + CRF模型的TensorFlow实现，用于序列标记任务。
项目特色
基于Tensorflow API。
高度可扩展; 一切都是可配置的。
模块化，结构清晰。
对初学者非常友好。
容易DIY。
任务与模型
Sequential labeling是对NLP中的序列预测任务进行建模的一种典型方法。 常见的顺序标记任务包括例如
词性（POS）标记，
块，
命名实体识别（NER）
标点恢复
句子边界检测
范围检测
中文分词（CWG） ，
语义角色标签（SRL）
口语理解能力
事件提取
等等...
以命名实体识别（NER）任务为例：
Stanford University located at California .
B-ORG I-ORG O O B-LOC O
在这里，将提取两个实体， Stanford University和California 。 特别是，文本中的每个token都用相应的label 。 例如
2021-12-01 11:51:53
73.89MB
1
5个程序员刷题网站|
凯拉斯-伯特-纳
中文
NER
任务使用BiLSTM-CRF/BiGRU-CRF/IDCNN-CRF模型和预训练语言模型的Keras解决方案：支持BERT/RoBERTa/ALBERT
）。
更新日志
2020年2月27日重构的代码keras_bert_ner并删除了一些多余的文件。
bert4keras
==
0.2.5现在已集成为该项目的主要部分。
2019.11.14
bert4keras现在作为一个包使用，因为它没有太大变化。
albert
模型现在只能支持谷歌的版本。
2019.11.04修复计算句子准确率和做预测时结果错误的问题。
2019.11.01将keras-contrib
crf_accuracy/
crf_loss替换为自定义的
crf_accuracy/crf_loss
来处理掩码标签。
未来的工作
迁移到
tensorflow
2.0。
添加其他
BERT
模型，例如
Distill_Bert、Tiny_Bert。
依赖关系
烧瓶==
1.1.1
keras
==
2.3.1
numpy
==
1.18.1
loguru
==
0.4.1
2021-11-24 11:14:06
10.6MB
1
中文命名实体识别
数据集
本项目尝试使用了多种不同的模型（包括HMM，CRF，Bi-LSTM，Bi-LSTM + CRF）来解决中文命名实体识别问题，数据集用的是论文ACL 2018 中收集的简历数据，数据的格式如下，它的每个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替换。
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ResumeNER文件夹里。
运行结果
下面是多种不同的模型以及这Ensemble这四个模型预测结果的准确率（取最好）：
HMM
慢性肾功能衰竭
双线性STM
BiLSTM + CRF
合奏
召回率
91.22％
95.43％
95.32％
95.72％
95.65％
准确率
91.49％
95.43％
95.37％
95.74％
95.69％
F1分数
91.30％
95.42％
95.32％
95.70％
95.64％
最后一列Ensemble是将这四个模型的预测结果结合起来，使用“
2021-11-13 17:18:20
24.44MB
1
命名实体识别是自然语言处理的一项关键技术. 基于深度学习的方法已被广泛应用到中文实体识别研究中. 大多数深度学习模型的预处理主要注重词和字符的特征抽取, 却忽略词上下文的语义信息, 使其无法表征一词多义, 因而实体识别性能有待进一步提高. 为解决该问题, 本文提出了一种基于BERT-BiLSTM-CRF模型的研究方法. 首先通过BERT模型预处理生成基于上下文信息的词向量, 其次将训练出来的词向量输入BiLSTM-CRF模型做进一步训练处理. 实验结果表明, 该模型在MSRA语料和人民日报语料库上都达到相当不错的结果, F1值分别为94.65%和95.67%.
2021-11-09 18:16:01
1.5MB
1
为解决旅游文本在特征表示时的一词多义问题, 针对旅游游记文本景点实体识别中景点别名的问题, 研究了一种融合语言模型的中文景点实体识别模型. 首先使用BERT语言模型进行文本特征提取获取字粒度向量矩阵, BiLSTM用于上下文信息的提取, 同时结合CRF模型提取全局最优序列, 最终得到景点命名实体. 实验表明, 提出的模型性能提升显著, 在实际旅游领域内景点识别的测试中, 与以往研究者方法比较下准确率, 召回率分别提升了8.33%, 1.71%.
2021-11-06 18:57:14
1.08MB
1
NER-Sequence-labeling--Textcnn-bilstm-crf-pytorch
pytorch用Textcnn-bilstm-crf模型实现命名实体识别
数据处理
数据处理文件是'data_preprocess.py'
模型和训练过程
模型和训练过程都在同一个文件中‘cnn-bilistm-crf.py’
预测
预测文件为‘predict.py’
数据
数据存在data文件夹中
2021-11-05 14:04:29
16KB
1