Git Stars Git Stars

#entity-extraction Dépôts

Découvrez 9 dépôts GitHub open source actifs associés à #entity-extraction, cumulant 27,201 étoiles au total (soit une moyenne de 3,022 étoiles par projet). Le projet en tête de ce thème est deeppavlov/DeepPavlov, avec 6,994 étoiles.

9
Total des Dépôts
27,201
Nombre total d'étoiles
3,022
Moyenne d'Étoiles/Dépôt
1
deeppavlov/DeepPavlov

Une bibliothèque open source pour les systèmes de dialogue end-to-end en apprentissage profond et les chatbots.

deeppavlov
⭐ 6,994 Python 👤 deeppavlov Organization 🕐 Mis à jour 2025-08-06 📅 Créé 2017-11-17
2
axa-group/nlp.js

Une bibliothèque NLP pour construire des bots, avec extraction d'entités, analyse de sentiments, identification automatique de la langue et bien plus

axa-group
⭐ 6,570 JavaScript 👤 axa-group Organization 🕐 Mis à jour 2025-01-09 📅 Créé 2018-07-30
3
meta/duckling

Langage, moteur et outils pour exprimer, tester et évaluer des règles de langage composables sur des chaînes d'entrée.

meta
⭐ 4,328 Haskell 👤 meta Organization 🕐 Mis à jour 2026-03-15 📅 Créé 2017-03-02
4
JohnSnowLabs/spark-nlp

Traitement du langage naturel de pointe

JohnSnowLabs
⭐ 4,162 Scala 👤 JohnSnowLabs Organization 🕐 Mis à jour 2026-11-14 📅 Créé 2017-09-24
5
microsoft/Recognizers-Text

Microsoft.Recognizers.Text fournit la reconnaissance et la résolution de nombres, d'unités, de date/heure, etc. dans plusieurs langues (ZH, EN, FR, ES, PT, DE, IT, TR, HI, NL. Support partiel pour JA, KO, AR, SV). Packages disponibles sur : https://www.nuget.org/profiles/Recognizers.Text, https://www.npmjs.com/~recognizers.text

microsoft
⭐ 1,799 C# 👤 microsoft Organization 🕐 Mis à jour 2026-04-17 📅 Créé 2017-04-17
6
juand-r/entity-recognition-datasets

Une collection de corpus pour la reconnaissance d'entités nommées (NER) et les tâches de reconnaissance d'entités. Ces ensembles de données annotés couvrent une variété de langues, domaines et types d'entités.

juand-r
⭐ 1,573 Python 👤 juand-r User 🕐 Mis à jour 2026-07-02 📅 Créé 2018-09-01
7
thu-vu92/knowledge-graph-llms

Dans ce projet, j'ai exploré comment extraire des graphes de connaissances à partir de textes à l'aide de LLM, tels qu'OpenAI GPT4o.

thu-vu92
⭐ 729 Jupyter Notebook 👤 thu-vu92 User 🕐 Mis à jour 2025-05-28 📅 Créé 2025-05-28
8
automataIA/graphrag-rs

GraphRAG-rs est une implémentation Rust haute performance et de pointe de GraphRAG (Génération Augmentée par Récupération Basée sur des Graphes) qui construit des graphes de connaissances à partir de documents et permet des requêtes en langage naturel avec extraction d'entités configurable et intégration locale de LLM

automataIA
⭐ 541 Rust 👤 automataIA User 🕐 Mis à jour 2026-11-16 📅 Créé 2025-09-21
9
mantisfury/ArkhamMirror

Plateforme d’intelligence documentaire basée sur l’IA, privilégiant le stockage local, pour le journalisme d’investigation

mantisfury
⭐ 507 Python 👤 mantisfury User 🕐 Mis à jour 2026-01-25 📅 Créé 2025-11-25

Foire aux questions

1

Quel est le dépôt #entity-extraction le plus populaire sur GitHub ?

Le projet #entity-extraction open source le mieux classé sur GitHub est deeppavlov/DeepPavlov, avec 6,994 étoiles. Une bibliothèque open source pour les systèmes de dialogue end-to-end en apprentissage profond et les chatbots.

2

Quels langages de programmation sont les plus utilisés dans les dépôts #entity-extraction ?

Parmi les projets #entity-extraction les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, JavaScript, Haskell, Scala.

3

Comment le classement des dépôts #entity-extraction est-il calculé ?

Nous suivons 9 dépôts open source actifs associés à #entity-extraction (500+ étoiles), totalisant 27,201 étoiles, avec une moyenne de 3,022 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.