Daphnis-z / nlp-ztools
本项目包含几种常用 NLP算法的实现:关键词(keyword)、命名实体(named entity)、自动摘要(abstract)、文本相似度比较(text similarity)等
☆14Updated 3 years ago
Alternatives and similar repositories for nlp-ztools:
Users that are interested in nlp-ztools are comparing it to the libraries listed below
- 新闻文本自动摘要, 以Textrank 为基础,融入 标题特征,单句位置特征,重要实体特征,线索词特征,做句子的综合权重计算,并使用MMR算法,兼顾自动摘要的主题相关性和摘要多样性。☆25Updated 2 years ago
- 中文文本的向量表示方法(Sentence-BERT, CoSENT)的PyTorch简单实现,可以用于文本相似度计算。☆9Updated 2 years ago
- 专业领域词库构建/中文新词发现/专业词库发现☆29Updated 5 years ago
- bert文本多分类(情感分析)、bert-bilstm-crf序列标注任务(快递地址的序列标注任务)☆31Updated 3 years ago
- 本项目采用Keras和Keras-bert实现文本多分类任务,对BERT进行微调。☆48Updated 3 years ago
- 基于pytorch+bilstm_crf的中文命名实体识别☆14Updated 2 years ago
- 利用 HMM、BiLSTM-CRF 及 ALBERT 模型进行中文命名实体识别☆23Updated 2 years ago
- TF-IDF+Word2vec做文本相似度计算,最好是长文本☆24Updated 5 years ago
- NLP 相关的项目 如:词向量,文本分类,文本匹配,NER,信息抽取,文本生成以及NLP在电商中的应用☆33Updated last year
- 基于Pytorch实现的一些经典自然语言处理模型中文短文本分类任务,包含TextCNN,TextRCNN,FastText,BERT,ROBERT以及ERNIE☆52Updated 4 years ago
- 将bert模型应用到问答系统中来,一者学习知识图谱的基本操作,二简单搭建问答系统的基本框架,三将词向量、bert模型实践应用☆59Updated 5 years ago
- 基于深度学习的FAQ式问答系统☆34Updated 3 years ago
- 系统的介绍如何搭建一个完整的文本分类系统,包括数据预处理、主要方法的原理介绍和实现细节、实验结果与分析、网页Demo的构建以及项目文件的组织方式。项目的原理和处理细节可以查看我的博客专栏:https://blog.csdn.net/sdu_hao/category_9286…☆30Updated 5 years ago
- 多标签文本分类☆53Updated 5 years ago
- 知识图谱初探,关系抽取,实体抽取,基于kb的问答,基于es的问答,知识图谱可视化☆61Updated 5 years ago
- bert-flat 简化版 添加了很多注释☆15Updated 3 years ago
- ☆34Updated 2 years ago
- Summary and comparison of Chinese classification models☆34Updated 2 years ago
- NLP文本增强的两种方式:同义词替换(利用word2vec词表)和回译☆73Updated 3 years ago
- ☆17Updated 3 years ago
- 在bert模型的pre_training基础上进行text_cnn文本分类☆78Updated 4 years ago
- 实现功能:新输入一段文本,与已有数据进行相似度进行比较,返回TOP10的文本。主要实现方法:jieba中文分词、gensim、TF-IDF词汇重要性、cosine余弦相似度。☆11Updated 4 years ago
- textcnn多标签文本分类☆36Updated 6 years ago
- 采用bert进行事件抽取,[cls]进行事件分类,最后一层向量进行序列标注,两个任务同时训练。☆12Updated 3 years ago
- Using BERT+CRF model to do Chinese NER task☆21Updated 4 years ago
- 多模型中文cnews新闻文本分类☆53Updated 4 years ago
- Python实现中文文本关键词抽取,分别用了TF-IDF、LDA、RNN、LSTM和LR-SGD两类共五种方法,全网最全没有之一。☆59Updated 4 years ago
- 基于Pytorch的知识蒸馏(中文文本分类)☆16Updated 2 years ago
- 基于ALBERT-BiLSTM-CRF的中文命名实体识别☆11Updated 4 years ago
- 基于pytorch的TPLinker_plus进行中文命名实体识别☆18Updated last year