معرفی شرکت ها

chemner-0.0.2

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
0.0.2
0.0.1
0.0.2
0.0.1

توضیحات

Chinese Chemical Named Entity Recognition
ویژگی مقدار
سیستم عامل -
نام فایل chemner-0.0.2
نام chemner
نسخه کتابخانه 0.0.2
نگهدارنده []
ایمیل نگهدارنده []
نویسنده A. BLCU
ایمیل نویسنده blcuxiabo@126.com
آدرس صفحه اصلی https://github.com/xiabo0816/chemner
آدرس اینترنتی https://pypi.org/project/chemner/
مجوز -
# ChemNer Chinese Chemical Named Entity Recognition 本文针对化学术语构成的领域特征，从语素的角度入手，构建了化学领域语素分类表，并进行了有无语素特征的对比实验。 # CRF-baseline-model 该实验选择当前字的上下文窗口为5，当前输出标签与上一输出标签的关系作为CRF的特征输入，进行模型训练和预测。 基于N-gram特征的CRF识别结果 | 术语 长度 | 术语 总数 | 术语识别数 | 正确识别数 | 正确率 | 召回率 | F值 | |:---------:|:---------:|:----------:|:----------:|:-------:|:------:|:------:| | 1 | 9 | 1 | 1 | 100.00% | 11.11% | 20.00% | | 2 | 34 | 26 | 23 | 88.46% | 67.65% | 76.67% | | 3 | 129 | 125 | 116 | 92.80% | 89.92% | 91.34% | | 4 | 110 | 111 | 103 | 92.79% | 93.64% | 93.21% | | 5 | 50 | 46 | 44 | 95.65% | 88.00% | 91.67% | | 6 | 31 | 27 | 23 | 85.19% | 74.19% | 79.31% | | 7 | 21 | 21 | 20 | 95.24% | 95.24% | 95.24% | | 8 | 16 | 17 | 15 | 88.24% | 93.75% | 90.91% | | 9 | 14 | 13 | 12 | 92.31% | 85.71% | 88.89% | | >=10 | 34 | 36 | 29 | 80.56% | 85.29% | 82.86% | | all | 448 | 423 | 386 | 91.25% | 86.16% | 88.63% | > 使用工具[CRF++: Yet Another CRF toolkit](https://github.com/taku910/crfpp) # BiLSTM-CRF-baseline-model ### 依赖模块 * pytorch=1.13.0 * python3.7+ ### 运行方式 1. 运行下列命令，进行模型训练： ```python python run_lstm_crf.py --do_train ``` 2. 运行下列命令，进行模型预测 ```python python run_lstm_crf.py --do_predict ``` | Acc | Recall | F1 | |:------:|:------:|:------:| | 0.9062 | 0.8897 | 0.8979 | > 修改自[CLUENER2020](https://github.com/CLUEbenchmark/CLUENER2020) # Hmm-model 把语素和语素类建模为简单稳定的HMM模型，利用改进的前向算法规避术语过长的问题，最终达到了91.58%的较好效果。 # CRF-model 实验选择当前字的上下文窗口为5，当前输出标签与上一输出标签的关系为特征的基础上，加入当前化学语素类的上下文窗口为5作为CRF的特征输入 基于上下文N-gram特征 + 语素类特征的CRF识别结果 | 术语长度 | 术语总数 | 识别出的术语个数 | 正确识别的术语个数 | 正确率 | 召回率 | F值 | |:--------:|:--------:|:----------------:|:------------------:|:-------:|:-------:|:------:| | 1 | 9 | 2 | 1 | 50.00% | 11.11% | 18.18% | | 2 | 34 | 35 | 31 | 88.57% | 91.18% | 89.86% | | 3 | 129 | 131 | 123 | 93.89% | 95.35% | 94.62% | | 4 | 110 | 111 | 108 | 97.30% | 98.18% | 97.74% | | 5 | 50 | 46 | 44 | 95.65% | 88.00% | 91.67% | | 6 | 31 | 31 | 28 | 90.32% | 90.32% | 90.32% | | 7 | 21 | 21 | 20 | 95.24% | 95.24% | 95.24% | | 8 | 16 | 15 | 15 | 100.00% | 93.75% | 96.77% | | 9 | 14 | 14 | 13 | 92.86% | 92.86% | 92.86% | | >=10 | 34 | 37 | 34 | 91.89% | 100.00% | 95.77% | | all | 448 | 443 | 417 | 94.13% | 93.08% | 93.60% | > 使用工具[CRF++: Yet Another CRF toolkit](https://github.com/taku910/crfpp)


نیازمندی

مقدار نام
- peppercorn
- check-manifest
- coverage


زبان مورد نیاز

مقدار نام
>=3.5, <4 Python


نحوه نصب


نصب پکیج whl chemner-0.0.2:

    pip install chemner-0.0.2.whl


نصب پکیج tar.gz chemner-0.0.2:

    pip install chemner-0.0.2.tar.gz