Datasetpublic

ttxy/resume_ner

中文 resume ner 数据集，来源: https://github.com/luopeixiang/named_entity_recognition 。数据的格式如下，它的每一行由一个字及其对应的标注组成，标注集采用BIOES，句子之间用一个空行隔开。美 B-LOC 国 E-LOC 的 O 华 B-PER 莱 I-PER 士 E-PER 我 O 跟 O 他 O 谈 O 笑 O 风 O 生 O 效果不同模型的效果对比： Bert-tiny 结果 model precision recall f1-score support BERT-tiny 0.9490 0.9538 0.9447 全部 BERT-tiny 0.9278 0.9251 0.9313 使用 100 train 注：后面再测试，BERT-tiny(softmax) + 100 训练样本，暂时没有复现 0.9313 的结果，最好结果 0.8612 BERT-tiny +… See the full description on the dataset page: https://huggingface.co/datasets/ttxy/resume_ner.

sourceHugging Facebsdupdated 3y agoView on Hugging Face

1likes109downloads

Dataset Card

中文 resume ner 数据集，来源: https://github.com/luopeixiang/namedentityrecognition 。

数据的格式如下，它的每一行由一个字及其对应的标注组成，标注集采用BIOES，句子之间用一个空行隔开。

text

美	B-LOC
国	E-LOC
的	O
华	B-PER
莱	I-PER
士	E-PER

我	O
跟	O
他	O
谈	O
笑	O
风	O
生	O

效果

不同模型的效果对比：

Bert-tiny 结果

model	precision	recall	f1-score	support
BERT-tiny	0.9490	0.9538	0.9447	全部
BERT-tiny	0.9278	0.9251	0.9313	使用 100 train

注：

—后面再测试，BERT-tiny(softmax) + 100 训练样本，暂时没有复现 0.9313 的结果，最好结果 0.8612
—BERT-tiny + LSTM(softmax) + 100 样本，val_f1 可达 0.8737