中文

English

支持批并行的LatticeLSTM

• 原论文：https://arxiv.org/abs/1805.02023
• 在batch=10时，计算速度已明显超过原版代码。
• 在main.py中添加三个embedding的文件路径以及对应数据集的路径即可运行（原文中用的embedding文件下载路径请见https://github.com/jiesutd/LatticeLSTM）
• 此代码集合已加入fastNLP

运行环境：

• python >= 3.7.3
• fastNLP >= dev.0.5.0
• pytorch >= 1.1.0
• numpy >= 1.16.4
• fitlog >= 0.2.0

支持的数据集：

• Resume，可以从这里下载
• Ontonote
• Weibo

未包含的数据集可以通过提供增加类似 load_data.py 中 load_ontonotes4ner 这个输出格式的函数来增加对其的支持

性能：

数据集	目前达到的F1分数(test)	原文中的F1分数(test)
Weibo	58.66(可能有误)	58.79
Resume	95.18	94.46
Ontonote	73.62	73.88

备注：Weibo数据集我用的是V2版本，也就是更新过的版本，根据杨杰博士Github上LatticeLSTM仓库里的某个issue，应该是一致的。

如有任何疑问请联系：

• [email protected]

---

Batch Parallel LatticeLSTM

• paper：https://arxiv.org/abs/1805.02023
• when batch is 10，the computation efficiency exceeds that of original code。
• set the path of embeddings and corpus before you run main.py. You can get 3 embeddings in https://github.com/jiesutd/LatticeLSTM
• this code set has been added to fastNLP

Environment：

• python >= 3.7.3
• fastNLP >= dev.0.5.0
• pytorch >= 1.1.0
• numpy >= 1.16.4
• fitlog >= 0.2.0

Dataset：

• Resume，downloaded from here
• Ontonote
• Weibo

to those unincluded dataset, you can write the interface function whose output form is like load_ontonotes4ner in load_data.py

Performance：

Dataset	F1 of my code(test)	F1 in paper(test)
Weibo	58.66(maybe wrong)	58.79
Resume	95.18	94.46
Ontonote	73.62	73.88

PS:The Weibo dataset I use is V2, namely revised version.

If any confusion, please contact：

• [email protected]