buppt/ChineseNRE 排名第 14,073，有 764 个星标。
同类别比较
buppt/ChineseNRE 排名第 14,073，此处有 8 个同类条目；google-research/federated 排名第 14,075。
同类别比较| 名称 | 排名 | 指标 |
|---|
| eeyhsong/EEG-Conformer | 14,053 | - 语言:
- Python
- 星标数:
- 766
- 分叉数:
- 122
- 简介:
- [TNSRE 23] EEG Transformer 2.0. i. Convolutional Transformer for EEG Decoding. ii. Novel visualization - Class Activation Topography.
|
|---|
| mlfoundations/wise-ft | 14,058 | - 语言:
- Python
- 星标数:
- 766
- 分叉数:
- 72
- 简介:
- Robust fine-tuning of zero-shot models
|
|---|
| NVlabs/HOVER | 14,063 | - 语言:
- Python
- 星标数:
- 765
- 分叉数:
- 91
- 简介:
- HOVER
|
|---|
| ChenghaoMou/text-dedup | 14,067 | - 语言:
- Python
- 星标数:
- 764
- 分叉数:
- 81
- 简介:
- All-in-one text de-duplication
|
|---|
| google-research/federated | 14,075 | - 语言:
- Python
- 星标数:
- 764
- 分叉数:
- 203
- 简介:
- A collection of Google research projects related to Federated Learning and Federated Analytics.
|
|---|
| farizrahman4u/recurrentshop | 14,080 | - 语言:
- Python
- 星标数:
- 763
- 分叉数:
- 213
- 简介:
- Framework for building complex recurrent neural networks with Keras
|
|---|
| inworld-ai/tts | 14,084 | - 语言:
- Python
- 星标数:
- 763
- 分叉数:
- 81
- 简介:
- Inworld TTS
|
|---|
| mgrankin/ru_transformers | 14,085 | - 语言:
- Python
- 星标数:
- 763
- 分叉数:
- 96
|
|---|
关键参数与规格
关键参数与规格| 参数 | 值 |
|---|
| 语言 | Python |
|---|
| 类别 | Model Development |
|---|
| 子类别 | Domain-specific training |
|---|
| 星标数 | 764 |
|---|
| 分叉数 | 177 |
|---|
| 贡献者 | 1 |
|---|
| 创建日期 | 2018-10-07 |
|---|
| 更新日期 | 2026-09-22 |
|---|
| 1 天星标数 | 0 |
|---|
| 7 天星标数 | 0 |
|---|
| 排名 | 14,073 |
|---|
| 上次排名 | 13,943 |
|---|
| 排名变化 | -130 |
|---|
| 7 天星标排名 | 14,277 |
|---|
| 上次 7 天星标排名 | 14,294 |
|---|
| 7 天星标排名变化 | 17 |
|---|
| 总星标排名 | 13,864 |
|---|
| 上次总星标排名 | 13,840 |
|---|
| 总星标排名变化 | -24 |
|---|
| 国家 | China |
|---|
README 摘录
顺便求star～ 数据 中文实体关系抽取数据实在太难找了，data中是忘记在哪里找的人物关系数据集，一共11+1种关系，数据质量不太好，但也找不到其他的了。 （更新） issues7 中 ybNero 同学分享了一份数据集，大家可
以去issues中查看~ 数据格式为: 实体1 实体2 关系 句子。 虽然叫中文实体关系抽取，还是增加了一个英文数据集SemEval2010_task8，简单做了下数据处理，这是免费的公开数据集，其他的好像都要dollar了。 运行 即可开始
训练，可以在 文件中设置epoch、batch等参数，运行结束模型会储存到model文件夹中，可以在训练好的模型基础上继续训练。 准确率 奈何实验室没有服务器，只能用自己电脑的cpu跑了一小部分数据，结果如下
。 33% | 参考 Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification 更新日志 2018-10-7 第一版，不定期进行修改与优化。 2018-10-10 添加SemEval2010_task8数据，以及一些小修改。
常见问题
记录了多少星标和分叉？
buppt/ChineseNRE 有 764 个星标和 177 个分叉。
仓库排名是多少？
buppt/ChineseNRE 排名第 14,073。
记录的语言和类别是什么？
buppt/ChineseNRE 有 764 个星标，语言为 Python，类别为 Model Development。
哪个仓库排名最接近？
buppt/ChineseNRE 与 google-research/federated 比较，后者排名第 14,075，有 764 个星标。
ChineseNRE
本项目使用
中文实体关系抽取，对实体关系抽取不了解的可以先看这篇文章。顺便求star～
数据
中文实体关系抽取数据实在太难找了，data中是忘记在哪里找的人物关系数据集，一共11+1种关系，数据质量不太好，但也找不到其他的了。 （更新）issues7中 ybNero 同学分享了一份数据集，大家可以去issues中查看~
梅葆玥 梅兰芳 父母 坎坷经历梅葆玥之家庭合影1961年，梅兰芳先生病逝，葆玥、葆玖姐弟俩继承父亲的遗志，挑起了梅剧团的重担
数据格式为: 实体1 实体2 关系 句子。
虽然叫中文实体关系抽取，还是增加了一个英文数据集SemEval2010_task8，简单做了下数据处理，这是免费的公开数据集，其他的好像都要dollar了。。
训练
模型使用的是lstm+attention模型。特征使用词向量+位置向量。
训练前先运行data文件夹中的 data_util.py 文件，将数据处理成pkl文件供模型使用。
运行python train.py即可开始训练，可以在train.py文件中设置epoch、batch等参数，运行结束模型会储存到model文件夹中，可以在训练好的模型基础上继续训练。
可以运行python train.py pretrained使用预训练的词向量进行训练。vec.txt是一个训练好的词向量的例子，可以修改使用更加优秀的预训练词向量。
准确率
奈何实验室没有服务器，只能用自己电脑的cpu跑了一小部分数据，结果如下。
| 准确率 |
召回率 |
F1值 |
| 64.08% |
64.59% |
64.33% |
参考
Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification
更新日志
2018-10-7 第一版，不定期进行修改与优化。
2018-10-9 添加准确率、召回率、f值的计算，将model从train.py中分离。
2018-10-10 添加SemEval2010_task8数据，以及一些小修改。
2018-10-18 增加预训练的词向量，修改bug。