HSCRF pytorch

Hybride Semi-Markov CRF

HSCRF obtient un score F1 de 91,38 +/- 0,10 sur l'ensemble de données CONLL 2003 NER, sans utiliser de corpus ou de ressource supplémentaire.

Installation

Pytorch

Le code est basé sur Pytorch. Vous pouvez trouver des instructions d'installation ici.

Dépendances

Le code est écrit en Python 2.7 et Pytorch 0.2.0. Ses dépendances sont résumées dans le fichier requirements.txt . Vous pouvez installer ces dépendances comme ceci:

 pip install -r requirements.txt

Référence du code

LM-LSTM-CRF

Usage

 CUDA_VISIBLE_DEVICES=0 python train.py --char_lstm --high_way

Incorporation de mots

GLANT: Vous pouvez trouver le mot pré-formé intégré ici et placer Glove.6b.100d.txt dans data/ .

Citer

Si vous utilisez le code, veuillez citer l'article suivant: "Hybrid semi-markov CRF pour la séquence neuronale étiquetant" Zhi-xiu ye, Zhen-Hua Ling. ACL (2018)

 @InProceedings{HSCRF,
  author = 	"Ye, Zhixiu
		and Ling, Zhen-Hua",
  title = 	"Hybrid semi-Markov CRF for Neural Sequence Labeling",
  booktitle = 	"Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers)",
  year = 	"2018",
  publisher = 	"Association for Computational Linguistics",
  pages = 	"235--240",
  location = 	"Melbourne, Australia",
  url = 	"http://aclweb.org/anthology/P18-2038"
}