NER
一个中文的实体命名识别系统
当前版本基于双向循环神经网络（BiRNN） + 条件随机场（CRF）来完成实体的标注。 基本思路是利用深度神经网络提取特征，从而避免了手动提取特征的麻烦。 第二部和传统的方式一样，使用CRF在做最后的标注。
该程序使用Tensorflow完成，使用了当前较新的DataSet API，使数据预处理和feed更优雅。
由于使用了新的API， Tensorflow版本必须大于1.2.0，代码升级后使用的是TensorFlow1.4，不确定原来Tensorflow1.2是否还兼容。
如何使用？
1. 建议安装tensorflow >= 1.4.1
2. 提供训练所需的数据，具体格式在resource文件夹里有展示。但是需要自行分词。只需提供3个文件：
source.txt target.txt 和 预训练的词向量。
3. 训练词向量，训练工具可以是gensim的word2vector或者glove等等，然后将词和对应的词向量以以下格式保存。
具体格式是：
单词A:0.001,0.001,0.001,....
单词B:0.001,0.001,0.001,....
单词C:0.001,0.001,0.001,....
.
.
.
有些训练工具得出的文件结果就是以上格式不需要修改． 程序默认embedding size是300, 可以按需求做更改
（注意：训练词向量的数据量越大越好，不只限于当前语聊，如果需要训练好的词向量可以联系我。）
4. 修改config.py里的文件存路径，所有的配置都在这个文件里。
5. 训练：修改config.py
tf.app.flags.DEFINE_string("action", 'train', "train | predict")
$ python rnn.py
6. 预测：修改config.py
tf.app.flags.DEFINE_string("action", 'predict', "train | predict")
$ python rnn.py
注意： 原本resource文件中只包含predict.txt, source.txt, target.txt, 如果更换自己的词向量文件记得删除其他自动生成的文件。
更多文件、问题见issues.