YuanWind / BertModelLinks
利用bert预训练模型生成句向量或词向量
☆27Updated 5 years ago
Alternatives and similar repositories for BertModel
Users that are interested in BertModel are comparing it to the libraries listed below
Sorting:
- Aspect Based Sentiment Analysis 基于方面的细粒度情感分析☆173Updated 3 years ago
- 多标签文本分类☆53Updated 6 years ago
- 本项目采用Keras和Keras-bert实现文本多标签分类任务,对BERT进行微调。☆67Updated 4 years ago
- 中文文本聚类☆123Updated 3 years ago
- multi-label-classification-4-event-type☆138Updated 2 years ago
- 集成各种神经网络进行情感分类,包括CNN、LSTM、Transformer以及BERT等网络模型☆73Updated 6 years ago
- 文本聚类(Kmeans、DBSCAN、LDA、Single-pass)☆353Updated 4 years ago
- 中文文本预处理,Word2Vec训练计算文本相似度。☆44Updated 6 years ago
- 细粒度的情感分析(属性词提取,句法依存分析)☆36Updated 2 years ago
- 基于预训练模型(BERT,BERT-wwm)的文本分类模板,CCF BDCI新闻情感分析A榜4/2735。☆268Updated 5 years ago
- 基于word2vec预训练词向量; textCNN 模型 ;charCNN 模型 ;Bi-LSTM模型;Bi-LSTM + Attention 模型 ;Transformer 模型 ;ELMo 预训练模型 ;BERT 预训练模型的文本分类项目☆123Updated 5 years ago
- 毕业设计,基于事理图谱的事件推理系统☆72Updated 5 years ago
- smp ewect code☆79Updated 5 years ago
- 本项目的数据来自“互联网新闻情感分析”赛题。基于Transformer2.0库中的中文Bert模型,对新闻语料进行三分类。☆119Updated 6 years ago
- 本实验,是用BERT进行中文情感分类,记录了详细操作及完整程序☆374Updated 6 years ago
- 一个基础且完整的细粒度情感分析(ABSA,Aspect based sentiment analysis)案例☆85Updated 6 years ago
- 该库是一个项目集,包括文本分类、多标签分类、细粒度情感分析、命名实体识别,以及部分数据集等☆201Updated 6 years ago
- 利用bert预训练的中文模型进行文本分类 数据集中文情感分析语料chnsenticorp☆361Updated 6 years ago
- BTM实现代码☆101Updated 3 years ago
- 中文命名实体识别NER。用keras实现BILSTM+CRF、IDCNN+CRF、BERT+BILSTM+CRF进行实体识别。结果当然是BERT+BILSTM+CRF最好啦。☆292Updated 6 years ago
- 基于word2vec使用wiki中文语料库实现词向量训练模型☆59Updated 6 years ago
- 知识图谱三元组抽取(实体-关系-实体,实体-属性-属性值)☆109Updated 4 years ago
- Bert预训练模型fine-tune计算文本相似度☆111Updated 2 years ago
- 使用pytorch搭建textCNN实现中文文本分类☆131Updated 6 years ago
- 在bert模型的pre_training基础上进行text_cnn文本分类☆79Updated 5 years ago
- 事件知识图谱构建相关的论文, 包含事件抽取、事件关系识别等任务☆83Updated 2 years ago
- 嵌入Word2vec词向量的RNN+ATTENTION中文文本分类☆153Updated 5 years ago
- 用gensim训练LDA模型,进行新闻文本主题分析☆79Updated 6 years ago
- bert pytorch模型微调用于的多标签文本分类☆137Updated 6 years ago
- SMP 2020年微博情感分类评测任务 第六名解决方案☆69Updated 3 years ago