beaujor的专栏

论文《Joint Extraction of Entities and Relations Based on a Novel Tagging Scheme》的代码实现

论文《End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF》的代码实现

ChemProt数据集ChemProt数据集ChemProt数据集ChemProt数据集ChemProt数据集ChemProt数据集

从深度学习的角度出发,提出了一种基于Attention 的双向长短时记忆网络(bidirectional long short-term memory,BLSTM)与条件随机场(conditional random fields,CRF)相结合的领域术语抽取模型(BLSTM_Attention_CRF 模型),并使用基于词典与规则相结合的方法对结果进行校正,准确率可达到 86%以上,该方法切实可行。

State-of-the-art sequence labeling systems traditionally require large mounts of task-specific knowledge in the form of hand-crafted features and data pre-processing.In this paper, we introduce a novel neu-tral network architecture that benefits from both word- and character-level representa- tions automatically, by using combinationof bidirectional LSTM, CNN and CRF.Our system is truly end-to-end, requir-ing no feature engineering or data pre-processing, thus making it applicable toa wide range of sequence labeling tasks.We evaluate our system on two data sets for two sequence labeling tasks — PennTreebank WSJ corpus for part-of-speech(POS) tagging and CoNLL 2003 cor-pus for named entity recognition (NER). We obtain state-of-the-art performance on both datasets — 97.55% accuracy for POS tagging and 91.21% F1 for NER.

主动学习通过选择现有模型中未充分训练的数据进行迭代训练,从而利用少量标注数据训练出较高性能的模型。 传统的主动学习方法只关注数据本身的信息量而忽略了该数据是否孤立。论文提出一种改进的主动学习方法,利用相似病 历中出现的词汇往往雷同的特点,以文档中文字的分布衡量其在样本集的普遍程度,并以此对信息量进行加权。而后实现 该方法,并进行了与消极学习和传统主动学习方法的对比实验。结果表明,该方法相对消极学习与传统的主动学习方法, 效果有明显提升,能够减少对标注数据的需求。

人脸识别Python代码人脸识别Python代码人脸识别Python代码人脸识别Python代码人脸识别Python代码

目前有很多关于多标签的学习算法，依据解决问题的角度，这些算法可以分为两大类：一是基于问题转化（Problem Transformation）的方法，二是基于算法适应的方法和算法适应方法（Algorithm Adaptation）。基于问题转化的多标记分类是转化问题数据，使之适用现有算法；基于算法适应的方法是指针对某一特定的算法进行扩展，从而能够直接处理多标记数据，改进算法，适应数据。

基于crfsuited的医疗命名实体抽取的Python实现 医疗电子病例命名实体识别评测任务的一个可执行demo，采用的方法是条件随机场(CRF)，实现CRF的第三方库为[python-crfsuite]。目前该demo准确率为68%，召回率为62%，F1值为64.8%。

H.264标准在JM模型中有关yuv文件的读取显示。

基于h.264标准，jm编码所用yuv文件的打开器，

清华大学，严蔚民，数据结构，算法演示