Advertisement

NER中文命名实体识别数据集的构建。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
该中文命名实体识别数据集非常实用，它涵盖了组织机构以及人物这三个主要的实体类别，能够满足广泛的应用需求。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 中文NER命名实体识别数据集
    优质
    中文NER（Named Entity Recognition）数据集是一套专门用于识别中文文本中人名、地名和组织机构等命名实体的语料库，旨在促进自然语言处理技术的发展。 中文命名实体识别数据集非常实用。它涵盖了组织、机构和个人三个方面的实体。
     
  • MSRA（NER）命名实体识别数据集
    优质
    MSRA NER是微软亚洲研究院开发的一个汉语命名实体识别数据集，包含大量标注的人名、地名和组织机构名称，广泛应用于自然语言处理研究。 我们收藏的二十余册出版物来自晋察冀抗日根据地（1937年—1945年）。
     
  • 中文Weibo命名实体识别数据集
    优质
    本数据集为中文微博文本设计，旨在进行命名实体识别研究，涵盖人名、地名与组织名等类别，促进自然语言处理技术的发展。 自然语言处理的子任务命名实体识别在中文数据集方面非常全面。
     
  • MSRA-NER中文命名实体辨识
    优质
    MSRA-NER是微软亚洲研究院开发的一种先进的中文文本处理工具，专注于识别和分类文本中的名称实体，如人名、地名等，以支持信息抽取与问答系统。 MSRA-NER 数据集由微软亚洲研究院发布，其目标是识别文本中具有特定意义的实体，包括人名、地名和机构名。
     
  • 基于BERT的中文命名实体识别（NER）系统
    优质
    本研究开发了一种基于BERT模型的高效中文命名实体识别(NER)系统，显著提升了对中文文本中人名、地名和组织机构等实体的准确识别能力。 伯特·中国人前言使用预训练语言模型BERT进行中文命名实体识别（NER）的尝试，并对BERT模型进行了微调。PS：请参考最新发布的代码以了解具体用法。 从下载bert源代码，存放在路径下的“bert”文件夹中；同时，请将模型放置在“checkpoint”文件夹下。使用BIO数据标注模式，并利用人民日报的经典数据进行训练： python BERT_NER.py --data_dir=data/ --bert_config_file=checkpoint/bert_config.json --init_checkpoint=checkpoint/bert_model.ckpt --vocab_file=vocab.txt --output_d
     
  • 基于BERT的中文命名实体识别（BERT-CH-NER）
    优质
    简介：本项目采用BERT模型进行优化，专注于提升中文文本中的人名、地名和机构团体名称等实体的自动识别精度，旨在提供高效准确的中文NER服务。 基于BERT的中文数据集下的命名实体识别（NER）是通过修改tensorflow官方代码实现的，在Tensorflow 1.13 和Python 3.6环境下运行良好，但在TensorFlow2.0中会出现错误。在搜狐举办的文本比赛中，我使用了基准模型来进行实体识别，该模型采用了BERT以及结合了BERT、LSTM和CRF的方法。仅用BERT的结果如下所示（具体评估方案请参考比赛说明）。这里只进行了实体部分的测试，并将所有情感标注为POS进行嘲笑效果的验证。采用BERT + LSTM + CRF方法得到结果如下：训练、验证及测试阶段的相关环境变量设置示例如下，export BERT_BASE_DIR=/opt/hanyaopeng/souhu/data/chinese_L-
     
  • 弱监督下的NER：构建无标注数据的命名实体识别模型框架
    优质
    本研究提出一种基于弱监督学习的命名实体识别(NER)方法，通过利用未标注文本数据训练模型，旨在减少对大量标注数据的依赖。该框架为资源有限的语言或领域提供了有效的NER解决方案。 对NER的监管不力与ACL 2020接受的论文“无标签数据下的命名实体识别：弱监督方法”相关的源代码有关。 首先，请确保安装以下Python软件包： - spacy（版本>=2.2） - hmmlearn - snips-nlu-parsers - pandas - numba - scikit-learn 您还需要在Spacy中安装en_core_web_sm和en_core_web_md模型。 若要运行ner.py中的神经网络模型，还需安装pytorch、cupy、keras和tensorflow。 最后，请确保已安装snorkel以运行基线代码。
     
  • 命名实体识别的数据集.rar
    优质
    本资源包含一个用于训练和测试命名实体识别模型的数据集，适用于自然语言处理任务，帮助提高对人名、地名及组织机构等实体的识别精度。 该数据集用于训练命名实体识别模型的数据集，包含六种标签：人名、地名、时间、组织机构名、公司名及产品名，并遵循BIO编码规则。此数据集中包括三个文件——训练集、测试集与验证集。以下为样例内容： 以 O 及 O 康 B-COMPANY_NAME 宽 I-COMPANY_NAME 为代表 的 国 外 专 利 产 品 低 毒 杀 虫 剂 吡 B-PRODUCT_NAME 虫 I-PRODUCT_NAME 茚 I-PRODUCT_NAME 和 O 生 物 农 药 阿 B-PRODUCT_NAME 维 I-PRODU
     
  • BIO命名实体识别(NER)语料库.rar
    优质
    本资源为BIO标记体系的命名实体识别（NER）语料库压缩包，适用于训练和评估自然语言处理中的实体抽取模型。 BIO NER 命名实体识别语料集。
     
  • 基于双向LSTM的命名实体识别(NER)
    优质
    本研究提出了一种基于双向长短期记忆网络（Bi-LSTM）的命名实体识别模型，有效提升了NER任务中的实体边界与类型判定精度。 使用双向LSTM进行命名实体识别（NER）可以提高模型对序列数据的理解能力，因为它同时考虑了上下文的信息。这种方法在处理自然语言任务中表现出了很好的效果。