本项目使用
- python3.6
- pytorch 1.1.0
命名实体识别BiLSTM+CRF模型。
data文件夹中有三个开源数据集可供使用，玻森数据 (https://bosonnlp.com) 、1998年人民日报标注数据、MSRA微软亚洲研究院开源数据。
其中boson数据集有6种实体类型，人民日报语料和MSRA一般只提取人名、地名、组织名三种实体类型。
先运行数据中的python文件处理数据，供模型使用。
直接用的pytorch tutorial里的Bilstm+crf模型.
运行train.py训练即可。由于使用的是cpu，而且也没有使用batch，所以训练速度超级慢。想简单跑一下代码的话，建议只使用部分数据跑一下。
boson数据集的f值在70%~75%左右，人民日报和MSRA数据集的f值在85%~90%左右。（毕竟boson有6种实体类型，另外两个只有3种）
-
开始训练
-
使用预训练的词向量
-
测试训练好的模型
-
文件级别实体抽取 使用
python train.py input_file output_file进行文件级实体抽取。可以自动读取model文件夹中最新的模型，将input_file中的实体抽取出来写入output_file中。先是原句，然后是实体类型及实体（可按照需要修改）。