#named-entity-recognition Dépôts
Découvrez 53 dépôts GitHub open source actifs associés à #named-entity-recognition, cumulant 305,471 étoiles au total (soit une moyenne de 5,763 étoiles par projet). Le projet en tête de ce thème est fighting41love/funNLP, avec 78,181 étoiles.
53 dépôts au total
Mots sensibles chinois-anglais, détection de langue, requête d'attribution/opérateur de téléphones mobiles/fixes chinois/étrangers, inférence de genre par nom, extraction de numéro de mobile, extraction de carte d'identité, extraction d'email, bibliothèque de noms sino-japonaise, bibliothèque d'abréviations chinoises, dictionnaire de décomposition de caractères, valeurs sentimentales du vocabulaire, mots vides, liste de mots réactionnaires, liste de mots violence-terrorisme, conversion simplifié-traditionnel, simulation de prononciation chinoise en anglais, générateur de paroles de Wang Feng, bibliothèque de noms de professions, bibliothèque de synonymes, bibliothèque d'antonymes, bibliothèque de mots négatifs, bibliothèque de marques automobiles, bibliothèque de pièces automobiles, segmentation continue de l'anglais, divers vecteurs de mots chinois, grande collection de noms d'entreprises, bibliothèque de poésie ancienne, bibliothèque IT, bibliothèque financière, bibliothèque d'idiomes, bibliothèque de noms géographiques, bibliothèque de figures historiques, bibliothèque de poésie, bibliothèque médicale, bibliothèque de diététique, bibliothèque juridique, bibliothèque automobile, bibliothèque animale, corpus de chat chinois, données de rumeurs chinoises, ensemble de données Q&R chinois Baidu, collection d'algorithmes de correspondance de similarité de phrases, ressources bert, outils de génération et résumé de texte, outil d'extraction d'informations cocoNLP, correspondance regex des numéros de téléphone nationaux, Tsinghua XLORE : graphe de connaissances encyclopédique translingue sino-anglais, série de rapports sur les technologies IA de Tsinghua, génération de langage naturel, série NLU trop difficile, données de couplets automatiques & robot, liste de blacklist des noms d'utilisateurs, termes légaux des crimes & modèle de classification, corpus de comptes publics WeChat, cours cs224n apprentissage profond traitement du langage naturel, reconnaissance de caractères chinois manuscrits, corpus/ensembles de données de traitement du langage naturel chinois, artefact de nommage de variables, bibliothèque de corpus de segmentation + code, ensemble de données de dialogue orienté tâche en anglais, ensemble de données vocal ASR + chinois basé sur l'apprentissage profond
segmentation des mots chinois ; étiquetage morphosyntaxique ; reconnaissance des entités nommées ; analyse syntaxique en dépendances ; analyse syntaxique en constituants ; analyse des dépendances sémantiques ; étiquetage des rôles sémantiques ; résolution des coréférences ; transfert de style ; similarité sémantique ; découverte de mots nouveaux ; extraction de mots-clés et d’expressions clés ; résumé automatique ; classification et regroupement de textes ; conversion entre le pinyin et le chinois simplifié/traditionnel ; traitement automatique du langage naturel
Répertoire pour suivre les progrès en Traitement du Langage Naturel (NLP), incluant les ensembles de données et l'état de l'art actuel pour les tâches NLP les plus courantes.
Un framework très simple pour le traitement automatique du langage naturel (NLP) de pointe
Un framework open-source pour détecter, rédiger, masquer et anonymiser les données sensibles (PII) dans les textes, images et données structurées. Prend en charge le NLP, la correspondance de motifs et les pipelines personnalisables.
CoreNLP : Une suite Java d'outils principaux de TALN pour la tokenisation, la segmentation des phrases, NER, l'analyse syntaxique, la coréférence, l'analyse de sentiments, etc.
Bibliothèque Python de Stanford NLP pour la tokenisation, la segmentation de phrases, NER et l'analyse de nombreuses langues humaines
Une bibliothèque open source pour les systèmes de dialogue end-to-end en apprentissage profond et les chatbots.
[EMNLP 2022] Un kit d'outils ouvert pour l'extraction et la construction de graphes de connaissances
Graphe de Connaissances Agricoles (AgriKG) : Recherche d'Information dans le Domaine Agricole, Reconnaissance d'Entités Nomées, Extraction de Relations, Réponse Intelligente aux Questions, Aide à la Décision
Modèle Généraliste et Léger pour la Reconnaissance d'Entités Nomées (Extraire n'importe quel type d'entité des textes)
Transformers pour la Recherche d'Information, Classification de Texte, NER, QA, Modélisation du Langage, Génération de Langage, T5, Multi-Modal et IA Conversationnelle
Outils de fouille de textes et de prétraitement (nettoyage de texte, découverte de nouveaux mots, analyse de sentiments, reconnaissance et liaison d'entités, extraction de mots-clés, extraction de connaissances, analyse syntaxique, etc.), méthodes non supervisées ou faiblement supervisées
Kashgari est un framework d'apprentissage par transfert NLP de niveau production construit sur tf.keras pour l'étiquetage de texte et la classification de texte, inclut Word2Vec, BERT et GPT2 Language Embedding.
Reconnaissance d'entités nommées en chinois avec IDCNN/biLSTM+CRF, et extraction de relations avec biGRU+2ATT Reconnaissance d'entités chinoises et extraction de relations
Réseaux de Neurones Profonds Multi-Tâches pour la Compréhension du Langage Naturel
Collaborez et étiquetez tout type de données, d'images, de textes ou de documents, dans une interface Web simple ou une application de bureau.
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.
Ce projet a conçu et mis en œuvre un système de questions-réponses médicales intelligent basé sur le RAG (Retrieval-Augmented Generation) par graphe de connaissances et les grands modèles de langage. En utilisant le jeu de données médical DiseaseKG et Neo4j, le système construit un graphe de connaissances spécialisé comprenant 44 000 entités et 310 000 relations. En combinant la reconnaissance d'entités nommées BERT et la reconnaissance d'intention par un modèle 32B, le système atténue efficacement les hallucinations des grands modèles dans les scénarios médicaux grâce à une recherche précise dans le graphe et une génération de réponses contrôlée, améliorant ainsi considérablement la précision et la fiabilité des réponses.
Annotateur pour Corpus de Texte Chinois (EN DÉVELOPPEMENT) Outil d'annotation de texte chinois
Protection de la vie privée en local : anonymisez vos documents avant de les partager avec des LLM.
Outil de recherche open source pour rechercher, parcourir, analyser et explorer de grandes collections de documents via Semantic Search Engine et plateforme open source de Text Mining & Text Analytics (Intègre ETL pour le traitement des documents, OCR pour les images & PDF, named entity recognition pour les personnes, organisations & lieux, gestion des métadonnées par thesaurus & ontologies, interface utilisateur de recherche & applications de recherche pour la recherche en texte intégral, faceted search & knowledge graph)
Un framework Python pour l'évaluation de l'étiquetage de séquences (reconnaissance d'entités nommées, étiquetage POS, etc...)
Articles impressionnants sur l'extraction d'informations génératives (IE) utilisant de grands modèles linguistiques (LLM)
1 ligne pour des milliers de modèles NLP à la pointe de la technologie dans des centaines de langues. La manière la plus rapide et la plus précise de résoudre les problèmes de texte.
Ce dépôt présente PIXIU, une ressource open-source proposant les premiers grands modèles linguistiques (LLM) financiers, des données d'ajustement d'instructions et des benchmarks d'évaluation pour évaluer de manière globale les LLM financiers. Notre objectif est de faire progresser continuellement le développement open-source de l'intelligence artificielle (IA) financière.
Dépôt Github avec des tutoriels pour affiner les transformeurs pour différentes tâches NLP
👑 Blocs de construction et visualiseurs spaCy pour les applications Streamlit
PhoBERT : modèles de langue pré-entraînés pour le vietnamien (EMNLP-2020 Findings)
Reconnaissance d'entités nommées en chinois. Comprend les articles les plus récents sur la reconnaissance d'entités nommées en chinois, les outils connexes pour la reconnaissance d'entités chinoises, les ensembles de données, ainsi que les modèles pré-entraînés chinois, les vecteurs de mots, les aperçus de reconnaissance d'entités, etc.
Ajustement fin des grands modèles linguistiques, Qwen2VL, Qwen2, ajustement fin des instructions GLM4
Un outil simple et rapide pour la segmentation de mots et la reconnaissance d'entités nommées
BERTweet: Un modèle de langage pré-entraîné pour les Tweets en anglais (EMNLP-2020)
Une suite d'outils de traitement du langage naturel en arabe développée par le laboratoire CAMeL à la New York University Abu Dhabi.
Système basé sur les spans pour l'extraction d'entités nommées, de relations et d'événements.
Foire aux questions
Quel est le dépôt #named-entity-recognition le plus populaire sur GitHub ?
Le projet #named-entity-recognition open source le mieux classé sur GitHub est fighting41love/funNLP, avec 78,181 étoiles. Mots sensibles chinois-anglais, détection de langue, requête d'attribution/opérateur de téléphones mobiles/fixes chinois/étrangers, inférence de genre par nom, extraction de numéro de mobile, extraction de carte d'identité, extraction d'email, bibliothèque de noms sino-japonaise, bibliothèque d'abréviations chinoises, dictionnaire de décomposition de caractères, valeurs sentimentales du vocabulaire, mots vides, liste de mots réactionnaires, liste de mots violence-terrorisme, conversion simplifié-traditionnel, simulation de prononciation chinoise en anglais, générateur de paroles de Wang Feng, bibliothèque de noms de professions, bibliothèque de synonymes, bibliothèque d'antonymes, bibliothèque de mots négatifs, bibliothèque de marques automobiles, bibliothèque de pièces automobiles, segmentation continue de l'anglais, divers vecteurs de mots chinois, grande collection de noms d'entreprises, bibliothèque de poésie ancienne, bibliothèque IT, bibliothèque financière, bibliothèque d'idiomes, bibliothèque de noms géographiques, bibliothèque de figures historiques, bibliothèque de poésie, bibliothèque médicale, bibliothèque de diététique, bibliothèque juridique, bibliothèque automobile, bibliothèque animale, corpus de chat chinois, données de rumeurs chinoises, ensemble de données Q&R chinois Baidu, collection d'algorithmes de correspondance de similarité de phrases, ressources bert, outils de génération et résumé de texte, outil d'extraction d'informations cocoNLP, correspondance regex des numéros de téléphone nationaux, Tsinghua XLORE : graphe de connaissances encyclopédique translingue sino-anglais, série de rapports sur les technologies IA de Tsinghua, génération de langage naturel, série NLU trop difficile, données de couplets automatiques & robot, liste de blacklist des noms d'utilisateurs, termes légaux des crimes & modèle de classification, corpus de comptes publics WeChat, cours cs224n apprentissage profond traitement du langage naturel, reconnaissance de caractères chinois manuscrits, corpus/ensembles de données de traitement du langage naturel chinois, artefact de nommage de variables, bibliothèque de corpus de segmentation + code, ensemble de données de dialogue orienté tâche en anglais, ensemble de données vocal ASR + chinois basé sur l'apprentissage profond
Quels langages de programmation sont les plus utilisés dans les dépôts #named-entity-recognition ?
Parmi les projets #named-entity-recognition les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, JavaScript, Java.
Comment le classement des dépôts #named-entity-recognition est-il calculé ?
Nous suivons 53 dépôts open source actifs associés à #named-entity-recognition (500+ étoiles), totalisant 305,471 étoiles, avec une moyenne de 5,763 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.