Min_NLP_Practice：基于CNN、双向LSTM及CRF模型并结合字符嵌入的中英文CWS POS NER实体识别...

简介：
Min_NLP_Practice项目采用CNN、双向LSTM和CRF模型，融合字符嵌入技术，实现高效准确的中文分词(CWS)、词性标注(POS)及命名实体识别(NER)，同时适用于英文处理。 CwsPosNerEntityRecognition 是一个用于中文和英文分词、词性标注及实体识别的工具，采用CNN双向LSTM与CRF模型，并包含字符嵌入功能。该工具基于字向量的CNN池化双向BiLSTM与CRF模型网络，能够一体化完成中英文分词、词性标注以及实体识别任务。它包括原始文本数据、数据转换脚本、训练脚本和预训练模型，适用于序列标注研究。 用户需要实现的功能是将输入的数据转化为适合序列模型的形式。该工具在中文分词上的准确率约为93%，词性标注的准确率为约90%，实体识别（基于样本）的准确性为85%左右。需要注意的是，在使用上述模型进行分词、词性标注和实体识别时，其实质上是一个标记问题。 如果您是第一次使用此类工具，请确保在相关代码中加上self.c并根据需要调整其他设置。