金融研报文本信息抽取
微信扫码沟通，客服可协助直接对接工程师；如当前档期不合，也可继续推荐相似案例作者。
案例介绍
项目简介：抽取对应实体识如（转让人，受让人，转让价，成交价，日期等），文本中使用基于BERT的序列标注模型，定制化实体识别；
个人职责：负责样本预处理，模型的训练及评价，基于tensorflow搭建网络模型，模型结构基于 BERT+BiLSTM+CRF，模型训练，模型的预测和评价。
所用技术：
1. 样本预处理，使用gensim和sklearn对应工具包进行样本清洗和初步分析，对样本去停用词等清洗工作，将处理过的样本转成bert的输入格式，存为tf.record序列。
2. 使用tensorflow提供的TPUEstimator，基于BERT开源代码和中文模型，定制自己的model_fn。
3. 使用BERT最后一层的输出，接入BiLSTM+CRF层，最终测试集整体准召率均达到85%以上。
4. 用规则进行后处理修正模型部分可控错误，以及关系映射。
个人职责：负责样本预处理，模型的训练及评价，基于tensorflow搭建网络模型，模型结构基于 BERT+BiLSTM+CRF，模型训练，模型的预测和评价。
所用技术：
1. 样本预处理，使用gensim和sklearn对应工具包进行样本清洗和初步分析，对样本去停用词等清洗工作，将处理过的样本转成bert的输入格式，存为tf.record序列。
2. 使用tensorflow提供的TPUEstimator，基于BERT开源代码和中文模型，定制自己的model_fn。
3. 使用BERT最后一层的输出，接入BiLSTM+CRF层，最终测试集整体准召率均达到85%以上。
4. 用规则进行后处理修正模型部分可控错误，以及关系映射。
金融研报文本信息抽取
联系该工程师
微信扫码，建群沟通
案例介绍
项目简介：抽取对应实体识如（转让人，受让人，转让价，成交价，日期等），文本中使用基于BERT的序列标注模型，定制化实体识别；
个人职责：负责样本预处理，模型的训练及评价，基于tensorflow搭建网络模型，模型结构基于 BERT+BiLSTM+CRF，模型训练，模型的预测和评价。
所用技术：
1. 样本预处理，使用gensim和sklearn对应工具包进行样本清洗和初步分析，对样本去停用词等清洗工作，将处理过的样本转成bert的输入格式，存为tf.record序列。
2. 使用tensorflow提供的TPUEstimator，基于BERT开源代码和中文模型，定制自己的model_fn。
3. 使用BERT最后一层的输出，接入BiLSTM+CRF层，最终测试集整体准召率均达到85%以上。
4. 用规则进行后处理修正模型部分可控错误，以及关系映射。
案例图片
1小时精推人才
需求方专属客服，免费梳理匹配
扫码加微信 · 客服人工对接
