超强大医疗行业标注语料

可用于做MRC任务，也可做普通NER任务 1万超强BIOES标注语料，医疗实体识别必备NLP语料，包含嵌套实体。 实体包含症状、部位、时间、频率、疾病、医技报告的结果数值等 还有总共66万句语料，包含主诉、现病史、既往史、辅助检查、专科检查。 实体如下： {"检查方式": 0, "测量值": 1, "重点": 2, "属性": 3, "阳性表现": 4, "器官症状": 5, "数量": 6, "异常": 7, "描述": 8, "幅度": 9, "疾病": 10, "阴性表": 11, "手术": 12, "缺陷": 13, "病理分型": 14, "相邻部位": 15, "病理分级": 16, "部位": 17, "持续时间": 18, "症状": 19, "不良反应": 20, "阳性症状": 21, "颜色": 22, "程度": 23, "发生频率": 24, "性质": 25, "开始时间": 26, "报告结果": 27, "诱发因素": 28, "感觉": 29, "量值": 30, "次数": 31, "数值": 32, "单位": 33, "检验项目": 34, "

中文NLP实体识别任务之ONE-HOT标注数据（BIOES）修复BERT分词数据偏移

本方法是基于BIOES标注的，如果为其它，请自行修改代码 正常ONE-HOT标注数据是按字标注的：如 反 复 胸 痛 1 5 年 B-PL E-PL B-ZZ E-ZZ B-SJ I-SJ E-SJ 经过BERT分词器分词后为： 反 复 胸 痛 15 年 这时候label就要重新修复下偏移了，修复后结果如下： B-PL E-PL B-ZZ E-ZZ B-SJ E-SJ

微信开发之附近商家地理位置计算和腾讯地图坐标转百度地图坐标的方法

微信开发之附近商家地理位置计算和腾讯地图坐标转百度地图坐标的方法