#named-entity-recognition Repositorios
Descubre 53 repositorios activos de código abierto de GitHub etiquetados con #named-entity-recognition, que acumulan 305,471 estrellas en total (una media de 5,763 estrellas por proyecto). El líder de este tema es fighting41love/funNLP, con 78,181 estrellas.
53 repositorios en total
Palabras sensibles chino-inglés, detección de idiomas, consulta de ubicación/operador de teléfonos móviles/fijos chinos y extranjeros, inferencia de género por nombres, extracción de números de móvil, extracción de DNI, extracción de correos electrónicos, biblioteca de nombres chino-japoneses, biblioteca de abreviaturas chinas, diccionario de descomposición de caracteres, valores emocionales de vocabulario, palabras de parada, tabla de palabras reaccionarias, tabla de palabras de violencia y terror, conversión de caracteres tradicionales a simplificados, simulación de pronunciación china en inglés, generador de letras de Wang Feng, biblioteca de nombres profesionales, biblioteca de sinónimos, biblioteca de antónimos, biblioteca de palabras negativas, biblioteca de marcas de automóviles, biblioteca de piezas de automóviles, corte continuo de inglés, varios vectores de palabras chinos, gran colección de nombres de empresas, biblioteca de poesía antigua, biblioteca de IT, biblioteca financiera, biblioteca de idioms, biblioteca de nombres geográficos, biblioteca de figuras históricas, biblioteca de poesía, biblioteca médica, biblioteca de dietas, biblioteca legal, biblioteca de automóviles, biblioteca de animales, corpus de chat en chino, datos de rumores en chino, conjunto de datos de preguntas y respuestas en chino de Baidu, colección de algoritmos de coincidencia de similitud de oraciones, recursos bert, herramientas relacionadas con generación y resumen de texto, herramienta de extracción de información cocoNLP, coincidencia de expresiones regulares de números de teléfono nacionales, Tsinghua XLORE: grafo de conocimiento enciclopédico translingüe chino-inglés, serie de informes de tecnología de IA de Tsinghua, generación de lenguaje natural, serie NLU es demasiado difícil, datos de parejas automáticas y robot, lista de lista negra de nombres de usuario, nombres jurídicos de delitos y modelo de clasificación, corpus de cuentas públicas de WeChat, curso de procesamiento de lenguaje natural de aprendizaje profundo cs224n, reconocimiento de caracteres chinos escritos a mano, corpus/conjuntos de datos de procesamiento de lenguaje natural chino, herramienta divina para nombrar variables, biblioteca de corpus de segmentación + código, conjunto de datos de diálogo basado en tareas en inglés, conjunto de datos de voz ASR + chino basado en aprendizaje profundo
segmentación de palabras en chino; etiquetado de categorías gramaticales; reconocimiento de entidades con nombre; análisis sintáctico de dependencias; análisis sintáctico de constituyentes; análisis de dependencias semánticas; etiquetado de roles semánticos; resolución de correferencias; transferencia de estilo; similitud semántica; descubrimiento de palabras nuevas; extracción de palabras clave y frases clave; resumen automático; clasificación y agrupación de textos; conversión entre pinyin y chino simplificado/tradicional; procesamiento del lenguaje natural
Repositorio para rastrear el progreso en Procesamiento del Lenguaje Natural (NLP), incluyendo los conjuntos de datos y el estado del arte actual para las tareas de NLP más comunes.
Un marco de trabajo muy simple para el procesamiento de lenguaje natural (NLP) de vanguardia
Un marco de código abierto para detectar, redactar, enmascarar y anonimizar datos sensibles (PII) en textos, imágenes y datos estructurados. Soporta NLP, coincidencia de patrones y pipelines personalizables.
CoreNLP: Una suite de Java de herramientas principales de PLN para tokenización, segmentación de oraciones, NER, análisis sintáctico, correferencia, análisis de sentimientos, etc.
Biblioteca de Python de Stanford NLP para tokenización, segmentación de oraciones, NER y análisis de muchas lenguas humanas
Una biblioteca de código abierto para sistemas de diálogo end-to-end de aprendizaje profundo y chatbots.
[EMNLP 2022] Un kit de herramientas abierto para la extracción y construcción de grafos de conocimiento
Gráfico de Conocimiento Agrícola (AgriKG): Recuperación de Información en el Campo Agrícola, Reconocimiento de Entidades Nombradas, Extracción de Relaciones, Respuesta Inteligente a Preguntas, Apoyo a la Decisión
Modelo Generalista y Ligero para Reconocimiento de Entidades Nombradas (Extraer cualquier tipo de entidad de textos)
Transformers para Recuperación de Información, Clasificación de Texto, NER, QA, Modelado de Lenguaje, Generación de Lenguaje, T5, Multi-Modal y IA Conversacional
Herramientas de minería de texto y preprocesamiento (limpieza de texto, descubrimiento de nuevas palabras, análisis de sentimientos, reconocimiento de entidades y enlace, extracción de palabras clave, extracción de conocimiento, análisis sintáctico, etc.), métodos no supervisados o débilmente supervisados
Kashgari es un marco de aprendizaje por transferencia NLP de nivel de producción construido sobre tf.keras para etiquetado de texto y clasificación de texto, incluye Word2Vec, BERT y GPT2 Language Embedding.
Reconocimiento de Entidades Nombradas en Chino con IDCNN/biLSTM+CRF, y Extracción de Relaciones con biGRU+2ATT Reconocimiento de entidades en chino y extracción de relaciones
Colabora y etiqueta cualquier tipo de datos, imágenes, texto o documentos, en una interfaz web fácil o una aplicación de escritorio.
Una colección de corpora para el reconocimiento de entidades nombradas (NER) y tareas de reconocimiento de entidades. Estos conjuntos de datos anotados cubren una variedad de idiomas, dominios y tipos de entidades.
Este proyecto diseñó e implementó un sistema inteligente de preguntas y respuestas médicas basado en RAG (Generación Aumentada por Recuperación) con grafos de conocimiento y grandes modelos de lenguaje. Basado en el conjunto de datos médico DiseaseKG y utilizando Neo4j, el sistema construye un grafo de conocimiento de dominio que incluye 44.000 entidades y 310.000 relaciones. Al combinar el reconocimiento de entidades nombradas BERT con el reconocimiento de intención mediante un modelo 32B, el sistema mitiga eficazmente las alucinaciones de los grandes modelos en escenarios médicos mediante una búsqueda precisa en el grafo y una generación controlada de respuestas, mejorando significativamente la precisión y fiabilidad de las mismas.
Anotador para Corpus de Texto Chino (EN DESARROLLO) Herramienta de anotación de texto chino
Protección de privacidad local: anonimice sus documentos antes de compartirlos con LLM.
Herramienta de investigación de código abierto para buscar, navegar, analizar y explorar grandes colecciones de documentos mediante Semantic Search Engine y plataforma de Text Mining & Text Analytics de código abierto (Integra ETL para el procesamiento de documentos, OCR para imágenes & PDF, named entity recognition para personas, organizaciones & ubicaciones, gestión de metadatos por thesaurus & ontologías, interfaz de usuario de búsqueda & aplicaciones de búsqueda para búsqueda de texto completo, búsqueda facetada & knowledge graph)
Un framework de Python para la evaluación de etiquetado de secuencias (reconocimiento de entidades nombradas, etiquetado POS, etc...)
Impresionantes artículos sobre extracción de información generativa (IE) utilizando grandes modelos de lenguaje (LLM)
1 línea para miles de modelos NLP de última generación en cientos de idiomas. La forma más rápida y precisa de resolver problemas de texto.
Este repositorio presenta PIXIU, un recurso de código abierto que incluye los primeros modelos de lenguaje grandes (LLMs) financieros, datos de ajuste de instrucciones y puntos de referencia de evaluación para evaluar de manera integral los LLMs financieros. Nuestro objetivo es impulsar continuamente el desarrollo de código abierto de inteligencia artificial (IA) financiera.
Repositorio de Github con tutoriales para ajustar transformadores para diferentes tareas de PNL
👑 Bloques de construcción y visualizadores de spaCy para aplicaciones de Streamlit
PhoBERT: modelos de lenguaje preentrenados para vietnamita (EMNLP-2020 Findings)
Reconocimiento de entidades nombradas en chino. Incluye los artículos más recientes sobre reconocimiento de entidades nombradas en chino, herramientas relacionadas con el reconocimiento de entidades chinas, conjuntos de datos, así como modelos preentrenados en chino, vectores de palabras, resúmenes de reconocimiento de entidades, etc.
Ajuste fino de modelos de lenguaje grandes, ajuste fino de instrucciones Qwen2VL, Qwen2, GLM4
Una herramienta simple y rápida para la segmentación de palabras y el reconocimiento de entidades nombradas
BERTweet: Un modelo de lenguaje pre-entrenado para Tweets en inglés (EMNLP-2020)
Un conjunto de herramientas de procesamiento de lenguaje natural en árabe desarrolladas por el Laboratorio CAMeL en la Universidad de Nueva York en Abu Dabi.
Sistema basado en spans para la extracción de entidades nombradas, relaciones y eventos.
Preguntas frecuentes
¿Cuál es el repositorio de #named-entity-recognition más popular en GitHub?
El proyecto de código abierto de #named-entity-recognition mejor posicionado en GitHub es fighting41love/funNLP, con 78,181 estrellas. Palabras sensibles chino-inglés, detección de idiomas, consulta de ubicación/operador de teléfonos móviles/fijos chinos y extranjeros, inferencia de género por nombres, extracción de números de móvil, extracción de DNI, extracción de correos electrónicos, biblioteca de nombres chino-japoneses, biblioteca de abreviaturas chinas, diccionario de descomposición de caracteres, valores emocionales de vocabulario, palabras de parada, tabla de palabras reaccionarias, tabla de palabras de violencia y terror, conversión de caracteres tradicionales a simplificados, simulación de pronunciación china en inglés, generador de letras de Wang Feng, biblioteca de nombres profesionales, biblioteca de sinónimos, biblioteca de antónimos, biblioteca de palabras negativas, biblioteca de marcas de automóviles, biblioteca de piezas de automóviles, corte continuo de inglés, varios vectores de palabras chinos, gran colección de nombres de empresas, biblioteca de poesía antigua, biblioteca de IT, biblioteca financiera, biblioteca de idioms, biblioteca de nombres geográficos, biblioteca de figuras históricas, biblioteca de poesía, biblioteca médica, biblioteca de dietas, biblioteca legal, biblioteca de automóviles, biblioteca de animales, corpus de chat en chino, datos de rumores en chino, conjunto de datos de preguntas y respuestas en chino de Baidu, colección de algoritmos de coincidencia de similitud de oraciones, recursos bert, herramientas relacionadas con generación y resumen de texto, herramienta de extracción de información cocoNLP, coincidencia de expresiones regulares de números de teléfono nacionales, Tsinghua XLORE: grafo de conocimiento enciclopédico translingüe chino-inglés, serie de informes de tecnología de IA de Tsinghua, generación de lenguaje natural, serie NLU es demasiado difícil, datos de parejas automáticas y robot, lista de lista negra de nombres de usuario, nombres jurídicos de delitos y modelo de clasificación, corpus de cuentas públicas de WeChat, curso de procesamiento de lenguaje natural de aprendizaje profundo cs224n, reconocimiento de caracteres chinos escritos a mano, corpus/conjuntos de datos de procesamiento de lenguaje natural chino, herramienta divina para nombrar variables, biblioteca de corpus de segmentación + código, conjunto de datos de diálogo basado en tareas en inglés, conjunto de datos de voz ASR + chino basado en aprendizaje profundo
¿Qué lenguajes de programación se utilizan más en los repositorios de #named-entity-recognition?
Entre los proyectos de #named-entity-recognition mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, JavaScript, Java.
¿Cómo se calcula la clasificación de los repositorios de #named-entity-recognition?
Seguimos 53 repositorios activos de código abierto etiquetados con #named-entity-recognition (500+ estrellas), que suman un total de 305,471 estrellas, con una media de 5,763 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.