借鉴一篇论文的思路《基于BERT的安全事件命名实体识别研究》-四川大学
我想将自己的模型放在小众的数据集上,于是选择了这个数据集。
第一部分:XML格式转 BIO标注
先空着:
第二部分:BIO数据集去除非法字符
我的模型的迁移性比较好,只需要在config.py里更改数据集地址,和提取实体种类,在utils.py里更改实体标签,一般可以直接运行,但这个转换后的数据集需要处理,显示错误:
解决方案:
①我坚信数据集里有非法字符,于是,去网上找汉字、标点符合、数字等的Unicode码,讲这些排除之后,剩下的就是非法字符
# -*- coding: UTF-8 -*-
a = 0#为了记录第几行
list1 = []
with open('D:\桌面上的一些文件\实验相关材料\实验相关\CEC\cec_test.txt', "r", encoding='UTF-8') as f:
for i in f.readlines():
a = a+1
str